Dr. Pitlik LászlóPásztor MártaBunkóczi LászlóPető István

GA Z D A S Á G I I N F O R M A T I K A J E G Y Z E T

2004.

TartalomjegyzékI. Információ és döntéselmélet.....................................................................................................................................................8

1. Bevezetés...................................................................................................................................................................................81.1. A gazdasági informatika oktatás tartalma, célja............................................................................................................9

1.1.1. A gazdasági informatika képzés stratégiai céljai...................................................................................................101.1.2. Mi, s miért nem tartozik a gazdasági informatika tárgykörébe?............................................................................101.1.3. Melyek, s miért a célcsoport függő prioritások az oktatni kívánt tartalmak között?.............................................10

2. Keresési stratégiák..................................................................................................................................................................112.1. Keresés lokális meghajtókon.......................................................................................................................................13

2.1.1. Karakterlánc keresése.............................................................................................................................................142.1.2. Fájl keresése...........................................................................................................................................................142.1.3. Fájlkezelő segédprogramok....................................................................................................................................142.1.4. Összetett fájlkeresés felhasználói programokban...................................................................................................15

2.2. Keresés dokumentumokban.........................................................................................................................................162.2.1. Keresés a szövegszerkesztőben..............................................................................................................................162.2.2. Összetett keresés a Wordben..................................................................................................................................172.2.3. Keresés Excelben...................................................................................................................................................182.2.4. Autoszűrő használata az Excelben.........................................................................................................................19

2.3. Keresés az Interneten...................................................................................................................................................202.3.1. Keresés a weben.....................................................................................................................................................212.3.2. Összetett keresés a weben......................................................................................................................................212.3.3. Fájlok keresése.......................................................................................................................................................232.3.4. A keresőgépek listája..............................................................................................................................................242.3.5. Online szerverkeresés.............................................................................................................................................25

2.4. Példák, feladatok..........................................................................................................................................................262.4.1. Keresés MS Word és Excel dokumentumokban....................................................................................................262.4.2. Feladatok Internetes kereséshez.............................................................................................................................26

2.5. Ajánlott olvasmányok..................................................................................................................................................273. Online Gazdasági Informatika Lexikon..................................................................................................................................28

3.1. Online Gazdasági Informatikai Lexikon keletkezése, célja.........................................................................................283.1.1. Az informatika oktatás megújítása és ennek következményei...............................................................................283.1.2. A lexikon fejlesztése, mint tananyag-strukturálás..................................................................................................293.1.3. Szótárak és lexikonok a weben..............................................................................................................................29

3.2. A lexikon tartalma........................................................................................................................................................293.2.1. Címszavak és kapcsolataik.....................................................................................................................................293.2.2. Definíció és gyakorlati példák................................................................................................................................303.2.3. Nyomtatott és elektronikus irodalmi hivatkozások................................................................................................30

3.3. További fejlesztések az OGIL kapcsán........................................................................................................................313.4. A lexikonhoz kapcsolódó önálló feladatok..................................................................................................................31

3.4.1. Új bejegyzés...........................................................................................................................................................313.4.2. Hallgatói korrekció.................................................................................................................................................323.4.3. Szimmetrikus mátrix..............................................................................................................................................323.4.4. Asszociációs lánc...................................................................................................................................................34

3.5. Ajánlott olvasmányok..................................................................................................................................................353.5.1. Magyar nyelvű informatikai és számítástechnikai online szótárak........................................................................353.5.2. Kapcsolódó irodalom.............................................................................................................................................35

4. Hypertextes struktúrák............................................................................................................................................................364.1. Hypertext az Interneten................................................................................................................................................36

4.1.1. Hypertext alias Hypertext Markup Language (*.html) vagy XHTML..................................................................364.1.2. Fontosabb html struktúrák......................................................................................................................................364.1.3. hivatkozások dokumentumon belülre és kívülre....................................................................................................36

4.2. Böngészők....................................................................................................................................................................374.2.1. Szöveges browserek...............................................................................................................................................374.2.2. Grafikus browserek................................................................................................................................................37

4.3. MS WORD 97, 2000, XP............................................................................................................................................384.4. MS Excel 97, 2000, XP................................................................................................................................................384.5. Tárgymutatók, lábjegyzetek.........................................................................................................................................394.6. Navigációs oldalak, site maps......................................................................................................................................39

5. Tudományos dolgozatok informatikai szemmel......................................................................................................................405.1. Formai követelmények.................................................................................................................................................40

5.1.1. A dolgozat fejezetei................................................................................................................................................405.1.2. A dolgozat egyéb formai követelményei................................................................................................................415.1.3. Hivatkozások, idézetek...........................................................................................................................................41

2

5.2. Tartalmi követelmények..............................................................................................................................................415.3. Rendszerszemlélet és mérlegszerűség.........................................................................................................................425.4. Interdiszciplináris gondolkodásmód: Hogyan tanuljuk (szintetizáljuk) az egyes tantárgyakat egymásra épülő módon?....................................................................................................................................................................................425.5. Közhasznú publikálás elvei..........................................................................................................................................425.6. Copyright.....................................................................................................................................................................43

6. Problématípusok – Megoldástípusok......................................................................................................................................446.1. Problématípusok...........................................................................................................................................................44

6.1.1. Összetett problémák...............................................................................................................................................456.1.2. Elemi problémák....................................................................................................................................................476.1.3. Központi kérdés......................................................................................................................................................486.1.4. Intuícióigény és algoritmizálhatóság......................................................................................................................496.1.5. Problémamegoldó-képesség, szubjektív megoldási stratégiák..............................................................................496.1.6. Összegzés...............................................................................................................................................................516.1.7. Ellenőrző kérdések.................................................................................................................................................52

6.2. Megoldástípusok..........................................................................................................................................................526.2.1. Definíciók...............................................................................................................................................................546.2.2. Megoldás-altípusok................................................................................................................................................556.2.3. Ellenőrző kérdések.................................................................................................................................................61

7. Szaktanácsadás, mint az intuitív problémamegoldás intézményesült formája........................................................................627.1. Központban az ember...................................................................................................................................................627.2. Problémamegoldó-készségfejlesztés............................................................................................................................627.3. Személyre szabott tanács.............................................................................................................................................637.4. Általánosság és specifikum..........................................................................................................................................637.5. Félreértelmezhetőség...................................................................................................................................................647.6. Részletesség.................................................................................................................................................................647.7. Kölcsönösség...............................................................................................................................................................647.8. Tartalom és forma........................................................................................................................................................647.9. Kölcsönhatás................................................................................................................................................................657.10. Látszatigazságok..........................................................................................................................................................657.11. Ok-okozatiság..............................................................................................................................................................667.12. Tudatosság...................................................................................................................................................................667.13. Kockázatmegosztás......................................................................................................................................................677.14. Tömegtájékoztatás.......................................................................................................................................................677.15. Motiváció.....................................................................................................................................................................677.16. Összegzés.....................................................................................................................................................................687.17. Ellenőrző kérdések.......................................................................................................................................................68

8. Rendszerelméleti megközelítés................................................................................................................................................698.1. Előrejelzés és tudatosság..............................................................................................................................................698.2. Analógia és rendszerelvűség........................................................................................................................................698.3. Kibernetikai rendszerek...............................................................................................................................................698.4. Konkurens fogalmak....................................................................................................................................................70

8.4.1. Szubjektív (hagyományos) megközelítés...............................................................................................................708.4.2. Objektív (modern) megközelítés............................................................................................................................70

8.5. Konkurens feladatok....................................................................................................................................................718.5.1. Rendszerelemzés – Szabályozás – Rendszertervezés............................................................................................718.5.2. Modellezés..............................................................................................................................................................71

8.6. Az „automatikus” modellgyár elve..............................................................................................................................748.7. Összegzés.....................................................................................................................................................................748.8. Ellenőrző kérdések.......................................................................................................................................................74

9. Informatika és információtudomány.......................................................................................................................................769.1. Információdinamika és információpragmatika............................................................................................................76

9.1.1. Információs többletérték.........................................................................................................................................769.1.2. Társadalmi hatások.................................................................................................................................................769.1.3. Igény-szükségszerűség-piac...................................................................................................................................769.1.4. Az információ és a pénz kapcsolata.......................................................................................................................779.1.5. Antagonizmusok.....................................................................................................................................................789.1.6. Ellenőrző kérdések.................................................................................................................................................78

9.2. Adat – információ – tudás............................................................................................................................................789.2.1. Összehasonlító elemzés..........................................................................................................................................789.2.2. Az információ fogalmi modellje............................................................................................................................799.2.3. Az információ új fogalmi modelljének jellemzése.................................................................................................839.2.4. Fogalomdefiníciók..................................................................................................................................................84

3

9.2.5. Tézisek....................................................................................................................................................................849.2.6. A fogalmi modell kritikája és továbbfejlesztése....................................................................................................859.2.7. Ellenőrző kérdések.................................................................................................................................................86

9.3. A tudomány – a tudás forrása......................................................................................................................................869.3.1. A tudomány koncepciója........................................................................................................................................869.3.2. Tudomány – társadalom.........................................................................................................................................869.3.3. A tudományos kommunikáció többletértékének forrásai.......................................................................................889.3.4. A nem „tervezett” kommunikáció hatása...............................................................................................................889.3.5. Többletérték nem természettudományi szemszögből.............................................................................................889.3.6. Többletérték-realizálás információs rendszereken és hálózatokon keresztül?.......................................................899.3.7. Jövőkép...................................................................................................................................................................899.3.8. Ellenőrző kérdések.................................................................................................................................................90

9.4. Oktatás-képzés.............................................................................................................................................................909.4.1. Interpretáció............................................................................................................................................................909.4.2. Az időinformatika koncepciója..............................................................................................................................919.4.3. Automatizáció és manufaktúra...............................................................................................................................929.4.4. Ellenőrző kérdések.................................................................................................................................................93

II. Módszertan............................................................................................................................................................................9410. Kiindulási tézisek az I. rész alapján..................................................................................................................................9411. Mesterséges intelligencia..................................................................................................................................................95

11.1. Az MI definíciói...........................................................................................................................................................9511.2. Az MI története............................................................................................................................................................9611.3. Jelentősége az agrárinformatika számára.....................................................................................................................97

11.3.1.Az ismert problémák megoldása............................................................................................................................9711.3.2.Új perspektívák a régi problémákra.......................................................................................................................9711.3.3.A gondolkodásmód befolyásolása..........................................................................................................................98

11.4. Kitekintés.....................................................................................................................................................................9811.5. Kommentár...................................................................................................................................................................98

12. A szakértői rendszerek jellemzése......................................................................................................................................9912.1. SZR fogalmi kapcsolatai............................................................................................................................................100

12.1.1.Tudás....................................................................................................................................................................10012.1.2.Heurisztika............................................................................................................................................................10012.1.3.Tény......................................................................................................................................................................10112.1.4.Következtetés.......................................................................................................................................................10212.1.5.Tudásbázisú rendszerek........................................................................................................................................10212.1.6.Magyarázó rendszer.............................................................................................................................................104

12.2. Ellenőrző kérdések.....................................................................................................................................................10413. A szakértői rendszerek felépítése.....................................................................................................................................105

13.1. A tudás tudatosításának eszközei...............................................................................................................................10513.1.1.Wagner-féle csoportosítás....................................................................................................................................10613.1.2.A Kurbel-féle csoportosítás..................................................................................................................................108

13.2. Következtető-rendszer...............................................................................................................................................11013.2.1.Előrehaladó (adatvezérelt) következtetés.............................................................................................................11113.2.2.Visszafelé haladó következtetés...........................................................................................................................11113.2.3.Mélységi keresés..................................................................................................................................................11113.2.4.Szélességi keresés.................................................................................................................................................11113.2.5.Racionális keresés................................................................................................................................................111

13.3. Magyarázó, indokoló alrendszer................................................................................................................................11213.4. Interfész......................................................................................................................................................................112

13.4.1.Válaszlehetőségek a SZR kérdéseire....................................................................................................................11313.4.2.Bizonytalan válaszok kezelésének képessége......................................................................................................11313.4.3.Grafika..................................................................................................................................................................11313.4.4.Magyarázatadás....................................................................................................................................................11313.4.5.A probléma lehatárolása.......................................................................................................................................113

13.5. Ismeretszerző alrendszer............................................................................................................................................11413.6. Ellenőrző kérdések.....................................................................................................................................................114

14. Szakértői rendszerek létrehozása.....................................................................................................................................11514.1. A szakértői rendszerek létrehozásának alapjai...........................................................................................................11514.2. Az ismeretszerzés alapmodelljei................................................................................................................................11614.3. Az ismeretszerzés feladatkörei...................................................................................................................................116

14.3.1.Identifikálás..........................................................................................................................................................11614.3.2.Koncepció.............................................................................................................................................................11714.3.3.Formalizálás.........................................................................................................................................................117

4

14.3.4.Gépi formába öntés..............................................................................................................................................11714.3.5.Teszt.....................................................................................................................................................................117

14.4. Az ismeretszerzés technikái.......................................................................................................................................11714.5. Az szakértői rendszerek fejlesztésének problémái.....................................................................................................11814.6. Ellenőrző kérdések.....................................................................................................................................................119

15. Szakértői rendszerek alkalmazása...................................................................................................................................12015.1. Mezőgazdasági alkalmazások....................................................................................................................................120

15.1.1.Diagnosztika – Terápia.........................................................................................................................................12115.1.2.Tanácsadás – Segélynyújtás.................................................................................................................................121

15.2. Nem mezőgazdasági alkalmazások............................................................................................................................12116. „Mesterséges élet”..........................................................................................................................................................122

16.1. Bevezető.....................................................................................................................................................................12216.1.1.Kapcsolatok egyéb tudományterületekkel............................................................................................................12216.1.2.Alkalmazási feltételek..........................................................................................................................................122

16.2. Definíció.....................................................................................................................................................................12216.3. A mesterséges élet intézményi háttere, történeti áttekintés.......................................................................................12316.4. A mesterséges élet tárgya: rendszerszemlélet + szintézis = emergencia...................................................................12316.5. Módszerek..................................................................................................................................................................124

16.5.1.Celluláris automaták.............................................................................................................................................12416.5.2.Evolúciós algoritmusok........................................................................................................................................12516.5.3.Genetikai algoritmusok........................................................................................................................................12516.5.4.Evolúciós programozás........................................................................................................................................12616.5.5.Genetikai programozás.........................................................................................................................................12616.5.6.Osztályozó/klasszifikáló-rendszerek....................................................................................................................12716.5.7.Adaptív autonóm ágensek....................................................................................................................................127

16.6. Ellenőrző kérdések.....................................................................................................................................................12717. Esettanulmány: Celluláris automaták alkalmazása az üzemméret változás dinamikus szimulációjánál.......................128

17.1. Bevezetésként néhány szó a nyomfüggőségről..........................................................................................................12817.2. A modell.....................................................................................................................................................................129

17.2.1.A modell felépítéséről..........................................................................................................................................12917.2.2.A celluláris automaták szerepe a komplex szimulációs modellben.....................................................................12917.2.3.Az üzemméret és a földbérleti viszonyok jellemzői............................................................................................12917.2.4.A modell lefutásáról.............................................................................................................................................13017.2.5.A modell alkalmazása..........................................................................................................................................13117.2.6.Modellkritika........................................................................................................................................................131

17.3. Ellenőrző kérdések.....................................................................................................................................................13118. Esetalapú következtetés (CBR = case-based-reasoning) a diagnosztika és döntéstámogatás területén........................132

18.1. Bevezetés...................................................................................................................................................................13218.2. A CBR általános modellje..........................................................................................................................................13218.3. A rokon fogalmak és a CBR kapcsolata....................................................................................................................132

18.3.1.Szakértői rendszer vs. CBR..................................................................................................................................13218.3.2.Osztályozás – Diagnosztika – Döntéstámogatás..................................................................................................13318.3.3.Kulcsszó: A hasonlóság........................................................................................................................................13318.3.4.Szakértői tudás vs. formalizmus...........................................................................................................................133

18.4. Néhány alkalmazás....................................................................................................................................................13418.5. Ellenőrző kérdések.....................................................................................................................................................134

19. Esettanulmány: Számítógépes diagnózisok előnyei a LADI példáján.............................................................................13520. Esettanulmány: Benchmarking........................................................................................................................................137

20.1. Benchmarking a management támogatásához...........................................................................................................13720.2. A Benchmarking tárgya.............................................................................................................................................13720.3. A Benchmarking fajtái...............................................................................................................................................138

20.3.1.Belső (intern) Benchmarking...............................................................................................................................13820.3.2.Külső (szakmai- és konkurenciát illető) Benchmarking......................................................................................13820.3.3.Funkcionális Benchmarking.................................................................................................................................139

20.4. A Benchmarking módszertana...................................................................................................................................13920.5. Egy sikeres Benchmarking-projekt kritériumai.........................................................................................................14020.6. Ellenőrző kérdések.....................................................................................................................................................140

21. Fuzzy-rendszerek.............................................................................................................................................................14221.1. Bevezetés...................................................................................................................................................................14221.2. A pontatlanság aspektusai..........................................................................................................................................14221.3. Pontatlan információk feldolgozása...........................................................................................................................14321.4. Félreértések a Fuzzy rendszerek területén.................................................................................................................14321.5. Fuzzy-szabályozók.....................................................................................................................................................144

5

21.6. Fuzzy és a rokon módszertanok kapcsolata...............................................................................................................14521.6.1.Neuronális fuzzy-rendszerek................................................................................................................................14521.6.2.Fuzzy-szakértőrendszerek....................................................................................................................................145

21.7. Ellenőrző kérdések.....................................................................................................................................................14622. Esettanulmány: Automata sebességváltó.........................................................................................................................14723. Gépi tanulás.....................................................................................................................................................................148

23.1. Bevezetés...................................................................................................................................................................14823.2. Input adatok................................................................................................................................................................148

23.2.1.Az adatok osztályozottsága..................................................................................................................................14823.2.2.Az inputok további jellemzői...............................................................................................................................149

23.3. A tanulási módszer.....................................................................................................................................................15023.3.1.Reprezentációs nyelv............................................................................................................................................15023.3.2.Háttérismeretek....................................................................................................................................................15123.3.3.Keresési stratégia..................................................................................................................................................15123.3.4.A tanulás helyességét mérő kritériumrendszer (értékelő függvény)....................................................................151

23.4. Tanulási eredmények – Teszt.....................................................................................................................................15223.5. Ellenőrző kérdések.....................................................................................................................................................152

24. JOKER.............................................................................................................................................................................15325. Generátormodell..............................................................................................................................................................154

III. Vállalati alkalmazások (döntéstámogatás).......................................................................................................................15526. Management Information Systems...................................................................................................................................155

26.1. Executive Information Systems (EIS)........................................................................................................................15526.1.1.Elmélet..................................................................................................................................................................15526.1.2.Gyakorlat – EIS-Esettanulmány...........................................................................................................................15726.1.3.Összegzés.............................................................................................................................................................16226.1.4.Ellenőrző kérdések...............................................................................................................................................162

26.2. Business Reengineeringtől az EDI-ig........................................................................................................................16326.2.1.Elmélet vs. gyakorlat............................................................................................................................................16326.2.2.A business reengineering – az alkalmazkodás egyik eszköze..............................................................................16426.2.3.Információs rendszerarchitektúrák – a BR építőkövei.........................................................................................16426.2.4.Strategic Alignment..............................................................................................................................................16626.2.5.EDI.......................................................................................................................................................................16826.2.6.Ellenőrző kérdések...............................................................................................................................................168

26.3. Rendszertervezés........................................................................................................................................................16826.3.1.Elméleti alapok.....................................................................................................................................................16826.3.2.Előkészítő fázis.....................................................................................................................................................16926.3.3.Tervezés................................................................................................................................................................16926.3.4.Megvalósítás.........................................................................................................................................................17126.3.5.Összegzés.............................................................................................................................................................17126.3.6.Ellenőrző kérdések...............................................................................................................................................171

26.4. Kibernetikai MIS-modell...........................................................................................................................................17126.4.1.Elméleti alapok.....................................................................................................................................................17126.4.2.Célirányosság.......................................................................................................................................................17226.4.3.Tudás és állapot....................................................................................................................................................17226.4.4.Ellenőrző kérdések...............................................................................................................................................173

26.5. Tevékenységorientált MIS modulok, mint informatikai irányzatok..........................................................................17426.5.1.Modulok...............................................................................................................................................................17426.5.2.Kritikus pontok.....................................................................................................................................................17626.5.3.Ellenőrző kérdések...............................................................................................................................................177

27. A számvitelszervezés informatikai aspektusai.................................................................................................................17827.1. Fogalmak és összefüggéseik......................................................................................................................................178

27.1.1.Bevezetés..............................................................................................................................................................17827.1.2.Számvitel vs. Döntéstámogatás............................................................................................................................17827.1.3.Számítástechnika vs. Informatika.........................................................................................................................17927.1.4.Az informatikai erőforrásai..................................................................................................................................17927.1.5.Hatékonyság vs. Hatásosság.................................................................................................................................17927.1.6.Kritikus informatikai affinitás..............................................................................................................................18027.1.7.Felelősség.............................................................................................................................................................18027.1.8.Projekttípusok.......................................................................................................................................................18027.1.9.Véletlen információk szerepe...............................................................................................................................18127.1.10. Stratégiai kérdések a számvitelszervezésben..................................................................................................18127.1.11. Operatív szempontok egy (számviteli) információs rendszer tervezése során...............................................18227.1.12. Ajánlott irodalmak..........................................................................................................................................183

6

27.2. Döntéstámogatás a számvitelben...............................................................................................................................18327.2.1.Egy idealizált megoldás részletes (számvitel-specifikus) bemutatása.................................................................18327.2.2.A döntés-előkészítés erőforrásai..........................................................................................................................18427.2.3.Az online döntés-előkészítés típushelyzetei.........................................................................................................186

27.3. Ellenőrző kérdések.....................................................................................................................................................192IV. Kormányzati, regionális, integrációs feladatok................................................................................................................194

28. Előszó...............................................................................................................................................................................19429. Agrárszektor-modellek általános jellemzése...................................................................................................................196

29.1. Bevezetés...................................................................................................................................................................19629.1.1.Alkalmazási területek...........................................................................................................................................19629.1.2.Felépítés................................................................................................................................................................198

29.2. Az agrárszektor-modellek típusai..............................................................................................................................19929.2.1.Programozási modellek........................................................................................................................................19929.2.2.Ökonometriai modellek........................................................................................................................................20029.2.3.Általános egyensúlyi modellek............................................................................................................................20129.2.4.Hasonlósági modellek..........................................................................................................................................20129.2.5.Celluláris automaták.............................................................................................................................................20229.2.6.Monte-Carlo módszerek (MCM)..........................................................................................................................20229.2.7.Genetikus algoritmusok........................................................................................................................................20229.2.8.Általános előrejelző modellek..............................................................................................................................20229.2.9.Általános szimulációs modellek...........................................................................................................................203

29.3. A modellek általános értékelése.................................................................................................................................20529.4. Az agrárszektor-modellek jövője...............................................................................................................................20929.5. Agrárszektor-modellek kommunikációs problémái...................................................................................................211

29.5.1.Kiindulási állapot.................................................................................................................................................21129.5.2.Tradicionális politikai tanácsadás........................................................................................................................21229.5.3.Politika-optimalizálás...........................................................................................................................................21329.5.4.Elvárások a kvantitatív agrárpolitikai információs rendszerekkel szemben........................................................214

30. SPEL................................................................................................................................................................................21830.1. Előzmények, kronológia............................................................................................................................................218

30.1.1.SIMONA..............................................................................................................................................................21830.1.2.QUISS..................................................................................................................................................................21930.1.3.DAPS....................................................................................................................................................................219

30.2. A SPEL célja és koncepciója.....................................................................................................................................22030.3. A SPEL rendszer felépítése........................................................................................................................................221

30.3.1.A bázismodul (BS)...............................................................................................................................................22130.3.2.A rövidtávú előrejelzések és szimulációk modellje (SFSS).................................................................................22430.3.3.A középtávú előrejelzések és szimulációk modellje (MFSS)..............................................................................227

30.4. Egyéb jellemzők.........................................................................................................................................................22930.4.1.Technikai jellemzők.............................................................................................................................................22930.4.2.Modulok és hatásmechanizmusok........................................................................................................................229

30.5. SPEL rendszer jövője.................................................................................................................................................22930.5.1.PIT........................................................................................................................................................................22930.5.2.AGRIS..................................................................................................................................................................23030.5.3.IDARA.................................................................................................................................................................23030.5.4.OPAL....................................................................................................................................................................23030.5.5.PHARE projektek.................................................................................................................................................23030.5.6.TEIR.....................................................................................................................................................................23030.5.7.MIVIR..................................................................................................................................................................23030.5.8.IKTABU, HUN-TER...........................................................................................................................................231

7

I. INFORMÁCIÓ ÉS DÖNTÉSELMÉLET

1. Bevezetés

A fejezet célja: segíteni annak megértését, mit, miért, s hogyan kell (hatékonyan) megtanulni a Gazdasági Informatika keretében, ill. e fejezet kísérletet tesz annak magyarázatára, miért tűnik ez a tantárgy jelentősen másnak, mint számos más ismeretcsomag.

Az alábbi tankönyv a SZIE GTK Gazdasági Informatika oktatását eddig támogató online tananyagok kiegészítésére jött létre. Az eddigi online „jegyzet” lektorált dokumentumai (MIAÚ Digitális Könyvtár: http://miau.gau.hu/op/miaudk1.xls) korábban is lehetővé tették a színvonalas felkészülést. Az új jegyzet tehát nem ennek kiváltását, csak továbbfejlesztését, aktualizálását, kiegészítését jelenti. A továbbfejlesztések egy kisebb része tekinthető csak aktív informatikai tartalombővülésnek, az új jegyzetrészek nagyobb részt a jelenleg is számottevő mennyiségű tananyagban való jobb eligazodás érdekében készültek, figyelembe véve az eddigi oktatási tapasztalatokat.

Az informatika oktatása során az IT eszközök használatának kikényszerítése, vagyis a gyakorlott felhasználóvá válás egy fajta kötelező minimum feltételnek tekinthető. Ezért született meg a Magyar Internetes Agrárinformatikai Újság, s ennek keretében az online tananyagok és ajánlott irodalmak széles választéka, ill. ezen online szolgáltatások CD változata, mely az Internettől való függetlenséget, ill. a lokális keresés gyakorlásának alapjait biztosítja a felhasználónak.

Az eddigi tapasztalatok szerint a számítógéphez való hozzáférés és a hallgatói számítástechnikai alapismeretek viszonylagos hiányosságai miatt a hallgatók egy részétől sajnos nem várható el, hogy alapvetően online és CD támogatással tanuljanak.

A tanszék oktatási koncepcióiról a Networkshop és az Informatika a felsőoktatásban konferenciák írásos anyagai adnak további tájékoztatást, melyeket részleteiben az Online Gazdasági Informatika Lexikon (OGIL) nyitó oldala (http://miau.gau.hu/lexikon) mutat be.

A tananyaghoz való hozzáférés formáján túl a tananyag tartalmi pontosítása is célja jelen jegyzetnek. A tananyag tartalmi lehatárolása alapvetően a számítástechnika és más tantárgyak (mint előkövetelmények), ill. a későbbi, alapvetően B-tantárgyak (mint speciális ismeretek hordozói) szempontjából került átgondolásra. A tananyag maximumát a szakirodalomban fellelhető szakkifejezések (lexikonok, szótárak, szakcikkek) terminológiája jelenti. Az így létrejövő halmaz egyik része előkövetelmény (ill. autodidakta úton megszerezhető alapismeret), másik része speciális, további képzést, gyakorlást, konzultációt igénylő tananyag. A fennmaradó részhalmaz minden eleme elvileg a Gazdasági Informatika tantárgy elméleti/gyakorlati képzésének része, de természetesen eltérő súlypontokkal az előadáson való előkerülés szempontjából. Így vannak az előadás keretében részletesen megvitatható, ill. otthoni felkészülést feltételező ismeretrészek (dokumentumok). Az elmélet mellett az új jegyzet támogatja a (számítógépes termek fejlődésével egyre inkább realitássá váló) gyakorlati képzés új alapokra helyezését. A gyakorlat súlypontja az eddigi elszigetelt témakörök gyakoroltatása helyett a súlypontot egy életszerű, komplex feladat megoldására helyezi, egy olyan feladatéra, mely önmagában TDK-, vagy diplomamunka magját (is) képezheti.

Az újszerű jegyzet fontosabb szempontjai: adjon fogódzót a hallgatónak a nem szekvenciális tudás elsajátításához (vö. keresés, tudásábrázolás); határolja le a „gazdasági informatika” tananyagot a más tantárgyak kínálata és az autodidakta tanulás

(tudományos ismeretterjesztés nyújtotta lehetőségek alapján, ehhez segítséget nyújt több EU-s lexikon és tankönyv tartalomjegyzékének és tárgymutatójának feldolgozása (miau.gau.hu/lexikon/eugazdinftj.xls);

8

vázolja fel a szuverén probléma-megoldás elsajátítását támogató önálló feladatokat (pl.: hagyományos és induktív szakértői rendszerek, hasonlóságelemzés, pivot-elemzés, konzisztencia-vizsgálat, lexikon-bejegyzés, URL katalógusok készítése);

támogassa az online és/vagy CD alapú navigációt, vagyis a tananyag nem elhanyagolható része továbbra is csak információs brókeri tevékenységgel legyen elsajátítható.

1.1. A gazdasági informatika oktatás tartalma, célja

A gazdasági informatika, mint az a nevében is benne foglaltatik, az informatika része. Az informatikát leginkább a számítástechnikával szokás keverni, de nem elhanyagolható más részterületek globális törekvései sem (pl. térinformatika, HR-tudásmenedzsment, projektmenedzsment, döntéstámogatás, controlling, dokumentum-menedzsment, elektronikus kereskedelem, e-business, online tudástranszfer, …).

A számítástechnika az az IT megoldások által definiálható halmaz, melybe minden technológiailag lehetséges megoldás benne foglaltatik. Ezzel szemben az informatika csak a(z) (egyedi, társadalmi, gazdasági, környezeti, stb. értelemben) hasznos, míg a gazdasági informatika még tovább szűkítve, csak a gazdasági értelemben hasznos (egyszerű és komplex) megoldások feltárásával, bemutatásával foglalkozik. Vagyis a gazdasági informatika arra az egyszerű kérdésre keresi a választ: Hogyan járjak el, hogy adott gazdasági célokat a legkedvezőbben érjek el?

Mivel a gazdasági élet komplex (ipar, kereskedelem, szolgáltatás, mezőgazdaság, közlekedés, állami és non profit szféra, stb…), így természetesen minden egyes gazdasági kérdésre nem lehet kitérni. Másrészt azonban az ember és gép rendszerbe foglalása kapcsán felmerülnek nem csak tisztán gazdasági kérdések (vö. információs társadalom), melyek említése a gazdasági elemzések keretfeltételeiként nem hanyagolhatók el. Mind emellett a információs és kommunikációs technológia gyors fejlődése (vagyis az alaphalmaz folyamatos bővülése és az emberek és a társadalom erre való reagálása) miatt a tananyag kialakítása állandó fejlesztést igényel.

Így (be kell vallani), az informatika, ill. a gazdasági informatika tananyag az oktatók által piacképes szinten birtokolt mindenkori tudás egy fajta vetületét jelentik, mely nehezen szabványosítható a téma látszólagos műszaki jellege ellenére, sőt számos filozófiai aspektusa van.

A gazdasági informatika oktatás célja tehát a mindenkori célcsoport (nappalos, levelezős, posztgraduális, egyéb) érdeklődési körének megfelelő, de mégis általános érvényű (context free) példákon keresztül bemutatni az informatika elméleti kereteit, s gyakorlati feladatokon keresztül szembesíteni a hallgatót néhány univerzális problémával (pl. keresés, strukturálás, modellezés, előrejelzés, /ön/ellenőrzés, hasonlóságelemzés), melyek később a gazdasági döntések alapköveiként szolgálhatnak.

Fontos megjegyezni, hogy az informatika oktatás interdiszciplináris jellege ellenére sem ad választ konkrét kérdésekre (vagyis nem szolgál patentreceptekkel), így az ember, s a nem formalizálható tapasztalatok (intuíció) szerepe az IT alkalmazásban legalább akkora, mint a klasszikusan humán feladatok (pl. oktatás, nevelés) esetében.

Az informatikai jellegű képzések az akkreditáció szempontjából vagy valamilyen jelleggel továbbképzett informatikust (pl. gazdaságinformatikust, aki képes egyedül fejleszteni, üzemben tartani az IT-megoldásokat, de ért a gazdasági vonatkozásokhoz is, vagyis kommunikálni tud a közgazdászokkal), vagy informatikus jelzővel ellátott bármilyen szakembert (pl. informatikus közgazdászt, vagyis a műszaki szakemberrel egyeztetésre képes gazdasági szakembert) bocsátanak ki. Az interdiszciplináris jelleg felismerése segít abban, hogy a korábban, vagy szűkebb szakmai spektrumra kiképzett közötti kommunikációba az új informatikai képzést kapó szakemberek beléphessenek (egy fajta híd-emberként).

9

1.1.1. A gazdasági informatika képzés stratégiai céljai

Felkészítés az információs társadalom kihívásaira (ember-gép szimbiózis, közhasznúság, jogosultsági rend, biztonság, kockázat, …).

Haszonelvű eszközalkalmazás megértetése az öncélú fejlesztés és beszerzés kockázataira való rámutatás (a számítástechnikai és szakmai ismeretek kritikai újraértelmezése).

Kommunikációs készség kialakítása a műszaki informatikusok és a gazdasági szakemberek közötti konfliktusok feloldására.

Önértékelő és monitorozó döntéstámogatás elvének hangsúlyozása. Data mining, információs brókerség, dokumentum-menedzsment, tudásmenedzsment, e-business, e-

government, avagy (nem csak) az információs társadalom alapjai. Keresési stratégiák statikus tudás, szekvenciális tanulás helyett. Példa- és esettanulmány-orientált képzés, közhasznú adatbázis hallgatói feladatokból.

1.1.2. Mi, s miért nem tartozik a gazdasági informatika tárgykörébe?

A tananyag súlypontjait a kritikus szemléletű elméleti alapokon túl egyrészt a mindenkori történések feldolgozásának kényszere, másrészt a tanszék projektjei befolyásolják, hiszen életszagú példákat, kellő mélységű rálátást csak a valóban átélt projektek, s nem a szakirodalom feldolgozása alapozhat meg.

Ebből következően (sajnos) a (pl. vállalati) információs rendszerek, ill. egyes (pl. adatbányászati) eszközök alapjain túl, a mindenkori leggyakrabban alkalmazott rendszerek mélyebb bemutatását ezek gyakran téves piaci érdekekre és a know how védelmére hivatkozó érintettek elzárkózása is akadályozza. Ezen speciális ismeretekre a hallgatók a vállalati képzések keretében tehetnek szert.

Egy jó informatikus közgazdásznak nem kell feltétlenül az IT-eszközök széles spektrumát mélyen megismernie, de egy stabil, s autodidakta úton is elsajátítható számítástechnikai alapismeret hasznos kiindulási alapot ad a haszonelvű alkalmazások és az innovációs lehetőségek megértéséhez.

1.1.3. Melyek, s miért a célcsoport függő prioritások az oktatni kívánt tartalmak között?

A Gazdasági Informatika oktatás elméleti vonatkozásai kitérnek a döntéstámogatás filozófiai gátjaira, a helyes döntések meghozatalát gátló antagonizmusokra, vagyis az információs többletérték realizálás kockázataira.Makrogazdasági szinten fontos téma az agrárium ellehetetlenülésének világos feltársát nagy mértékben elleplező információs rendszerek hiánya, s az EU-konform kitörés lehetőségeinek bemutatása.Nagy hangsúlyt kap emellett az Internet-alkalmazás, ezen belül is a döntéstámogatásban valódi kihívást jelentő online-tudástranszfer (információs brókerség) kérdése.

Módszertani oldalról kiemelésre kerülnek a mesterséges intelligenciák (adatbányászat, indukció, gépi tanulás), melyek a filozófiai korlátok szem előtt tartása mellett, de mégis reális lehetőséget nyújtanak a vállalati döntéstámogatásban még mindig túltengő adattámogatási szint meghaladásában.

A tananyagot végigkíséri az oktatás módszertani lehetőségek széles tárháza, mely arra is igyekszik rávilágítani, mi a tudás, s hogyan lehet ezzel hatékonyan gazdálkodni. A tananyagok szerkezete felhívja az olvasó figyelmét arra, hogy a tudás elemei a szakkifejezések (rövidítések), ezek definíciói, kapcsolatai, mindezek sokoldalú megközelítése és kritikája, a példaalkotás készsége, a kérdezni tudás, a hibakeresés készsége, az önellenőrzés fontosságának felismerése, az ellentmondás-mentesség elvárása, az algoritmusba foglalni tudás készsége, a szintézis és az indukció készsége.

10

2. Keresési stratégiák

A fejezet célja: Az alábbiakban a számítástechnikai alapismeretektől a legmodernebbnek számító online tudástranszfer megoldásokig áttekintésre kerül mind az, amit a keresés kapcsán érdemes tudni.

A keresés célja: nagy mennyiségű, nem feltétlenül átlátható szerkezetű és tartalmú objektumot (pl. adatot, dokumentumot) tartalmazó halmazban a lehető leggyorsabban, a számunkra fontosnak vélt egyedek, minél kevesebb zavaró „találat” nélküli automatizált meglelése.

A keresés haszna: a keresés stratégiája szerint vagy véletlenszerű találgatással, vagy a teljes halmaz minden egyes objektum átvizsgálásával, vagy egy fajta heurisztikus úton, azaz a keresési tér logikusnak tűnő (egy vagy több lépésben tett) csökkentésével (vö. Excel auto-szűrő) igyekszünk eljutni a keresett (nem feltétlenül létező) megoldás(ok)ig. A keresés hasznossága általános értelemben akkor a legnagyobb, ha adott találat megszerzéséhez a lehető legkevesebb emberi és gépi időt, ill. pénzt és energiát áldozunk a keresés kivitelezésére. Nem szabad azonban megfeledkezni a véletlen információk szerepéről sem, vagyis azon nem tervezett találatokról, melyek a kereső személy (nem feltétlenül egyértelmű) keresési célját jelentősen módosítják, ezáltal biztosítva a végső sikerességet. A keresés automatizáltsága egyrészt a keresési folyamat számítógépes programmal való helyettesítését, másrészt a lekeresni kívánt halmaz szükséges mértékű struktúráját jelenti.

Információs brókerség: manapság használatos divatos szakkifejezés szerint az információs bróker az a személy, aki a legtöbbször szembesül a kereséssel. Hasonló tevékenységnek számítanak: a (MATÁV) tudakozó, az Aranyoldalak (Yellow pages), a telefonkönyvek, telefonos ügyfélszolgálatok, online szakértői rendszerek, tárgymutatók, tartalomjegyzékek, site maps, …

A keresés a felhasználó számára lehet aktív, vagy passzív tevékenység, mint ahogyan a keresés „filozófiája” kétféle lehet: a katalógus és a kereső rendszerek. Az aktív felhasználói tevékenység során az előzetesen valamilyen sorrendbe állított, vagy bizonyos szempont alapján csoportosított adattömegből választja ki a megfelelőt, ez érvényesül a katalógus rendszerekben. Tipikus példája a papír alapú telefonkönyvben történő keresés, szakkönyvekben a szószedet vagy a tartalomjegyzék alapján történő eligazodás. A passzív keresésnek szükséges feltétele, hogy az adatok digitalizált állományban legyenek. Ebben az esetben, mint látni fogjuk a keresések során úgynevezett kereső kifejezéseket (szavakat, szókapcsolatokat, szótöredékeket) próbálunk meg – különféle keretprogramok és funkciók által – fellelni különböző strukturáltságú és fellelési helyű adatokban. A keresés eredményén keresési feltételeknek megfelelő fájlok (esetenként rekordok) listáját értjük.

Tipikus keresési hiba a túl sok, vagy a túl kevés találat. Abszolút mértékegysége természetesen nincs a jó találatok számának, csak józan ésszel áttekinthetetlen a több ezer találatból álló lista. A másik oldalról megközelítve, ha nem kapunk találatot (vagy csak kevés számút), akkor is eredménytelen a keresés, hacsak a kevés számú találatokban véletlenül nincs benne az, amelyiket kerestük. A találati lista szűkítésére megfelelő eszköz lehet a találatok közötti további keresés (ahol ez engedélyezve van) vagy az összetett keresés. Túl kevés találat tipikusan akkor fordul elő (az elgépelésektől eltekintve), ha az összetett keresésben szigorú feltételeket adunk meg. Segíthet a feltételek „enyhítése”, például az együttes előfordulás keresése a pontos egyezés helyett. Általában növeli a találatok számát ha a keresésbe a rokon jelentésű szavakat is bevonjuk (például növényvédőszer helyett vagy mellett a peszticid, fungicid stb. szavakra is

11

keresünk). Általában a szakszavak előfordulása tudományos munkákban gyakoribb, hétköznapi anyagokban kevésbe, így például a burgonya termesztésről szóló szakirodalomban a burgonya és a „Solanum tuberosum L.” kifejezés fordul elő, míg egy receptben a krumpli, népnyelvi környezetben a pityóka stb.

A kereső rendszerek általános tulajdonsága, hogy a töredék kifejezéseken kívül (beleértve a szó eleji egyezést megengedő kereséseket), általában teljes egyezést kívánnak a kereső kifejezéssel. Ez különösen a magyar (és más toldalékoló) nyelvek esetén lényeges, hiszen nem csak az esetleges elgépelések esetén kaphatunk nem megfelelő találatokat, hanem például a „tó” szóra keresve nem találjuk meg a „tavak” szót tartalmazó dokumentumot, illetve adatsort.

Az adatok strukturáltsága a strukturált (indexelt adatbázisok) és a strukturálatlan (adathalmaz) állapotok között számtalan átmeneti állapotot vehet fel (felsorolás kellene, ha nem is teljeskörűen!), melyek a kereséseken kívül a hozzáférés komfortosságát és a további feldolgozás lehetőségét is befolyásolják.

Keresés kiváltását célzó megoldások: számos információt szolgáltatni akaró szerver esetében nincs külön keresési szolgáltatás telepítve, ill. ha van, a szolgáltatás akkor is kiegészül más elemekkel. Még sem mondható ezekről a szolgáltatásokról automatikusan, hogy helytelenek. A keresés kiváltása számos egymástól nem feltétlenül élesen elkülönülő megoldással támogatható: navigációs oldalak (pl. Gazdasági Informatika egyszerű és komplex tematikák, pl.

http://interm.gtk.gau.hu/szuv/index.html), strukturált listák (naplók, hírügynökségi listák, pl. MIAÚ, TKB napló), táblázatok (pl. MIAÚ-MF szerzők, dokumentumok, ill. EXCEL autoszűrő- és pivot-alapú táblázatok), ABC sorrendbe szedett objektumok (pl. Agroservice, MIAÚ-média adatbázis), menük (pl. MAINFOKA, PERISZKÓP), tematikus oldalak (pl. MIAÚ link.xls), dátum szerinti sorrendbe szedett objektumok (pl. MAGISZ, GG-hírek), hírforrás szerinti csoportosítások, hipertextes struktúrák (szövegen belüli ugrásokkal, dokumentumok közötti ugrásokkal).

Elektronikus adatok esetén az előfordulási hely lehet: lokális, azaz helyi adathordozó, háttértároló (merev és hajlékony lemez, illetve CD, DVD stb.); hálózat, mely alatt az Internetet taglaljuk, mivel a lokális hálózati (LAN) meghajtókon történő keresések

közelebb állnak az előző ponthoz.

A keresés az adatok említett fő jellemzőinek függvényében lehet valós idejű (real time), amikor a kereső kifejezések és a rendelkezésre álló (elérhető) állomány-tartalmának összehasonlítása egyidőben történik. Ez a keresési mód általában lassabb, de friss eredményt ad. A keresés sebességének növelésére az úgynevezett indexálást szokás alkalmazni, amikor az állományok tartalma kulcsszavak és/vagy gyakran előforduló kifejezések vagy más szempontok (a továbbiakban: kulcskifejezés) alapján kivonatolásra kerül, a keresés nem a teljes állományban, hanem az úgynevezett indexben (indexfájlban) történik, amely az előbb említett kulcskifejezéseket és a fájlok (rekordok) valós elérési helyét tartalmazza (lásd 1. ábra). Mivel a valós állományok és az index egymástól elkülönülnek, a változások átvezetéséről külön kell gondoskodni, ennek időbeli eltolódása esetén az eredménylista tartalmazhat nem elérhető, vagy megváltozott tartalmú találatokat is.

Indexált állományokkal nem csak számítógépes környezetben találkozhatunk, hanem például a könyvtári katalógusok esetében is. Itt a rendszerezendő objektum a könyv, leíró tulajdonságai (attribútumai) vázlatosan: alap, vagy törzsadatok, ezek alapján a könyv egyértelműen azonosítható: szerző(k), cím, kiadó, kiadási

hely és év (esetleg a kiadás száma); kiegészítő adatok: kulcsszavak, könyvtári jelzet (ETO), leltári szám, feltalálási hely stb.; tranzakciós adatok: beérkezés, kölcsönzések stb.

12

A könyvtári katalógusokba (a papír alapúakba is) ezek után a szerzők, cím, kulcsszavak alapján sorrendbe rakott, a könyv feltalálási helyét (polc) is tartalmazó jegyzeteket helyeznek el. A katalógus ilyen szempontból egy indexált állomány.

Kulcs Hely Rekord Görög ...Alfa 2 2. 1 Pszí ...Béta 5 2 Alfa ...Gamma 4 3 Omega ...Delta 6 4 Gamma ...... 5 Delta ...Pszí 1 6 Béta ...Omega 3 ... ... ... 1.

1. A keresés a sorrendbe rakott adatokon történik...2. a találat kiolvasása az indexben megadott helyről zajlik.

Index Adattábla

1. ábra Az indexált adatokon történő keresés elvi vázlata

Az összetett kereséseknél fontos szerephez jutnak a matematikai logika (Boolean algebra, ítéletkalkulus) operátorai, melyek közül legfontosabbak: and/és: az összekapcsolt feltételek mindegyikének meg kell felelnie a találatnak (mindegyik feltételt

tartalmaznia kell). A hétköznapi életben gyakran az „ez is és az is” fordulattal jellemzett tulajdonságok felsorolására használjuk. A Boolean algebrában az és kapcsolat csak akkor igaz, ha minden bemenő értéke igaz.

or/vagy kapcsolattal jellemzett feltételek egyikének kell megfelelnie az eredménynek. A hétköznapokban sokszor jellemezzük ezt a kapcsolatot is az és kötőszóval, például keressük a csoportban a „szőke és a fekete hajúakat”, de mivel egyszerre a két feltételnek senki nem felel meg (az és kapcsolat alapján), ezért nyilvánvaló, hogy a kereséshez a vagy kapcsolatot kell alkalmazni, logikailag helyesen, tehát úgy hangzana a mondat, hogy „a fekete vagy szőke hajúak” keresése. Ebben az esetben megkapjuk a kívánt eredményt, a Boolean algebra alapján ugyanis a vagy kapcsolat csak akkor hamis, ha minden bemenő adata hamis.

not/negálás: egyoperandusú művelet, a feltétel tagadására használjuk. Köznyelven a „de nem…” által bevezetett feltételeket szokás így jelölni. Az ítéletkalkulusban a bemenő adat ez által az ellentettjére változik.

2.1. Keresés lokális meghajtókon

Lokális meghajtókon általában egy fájlt keresünk, amelynek vagy a nevét (annak egy részletét), vagy a fájlban található jellegzetes szöveg(részlet)et (karakterláncot) ismerjük. Ez utóbbi esetben tudnunk kell, hogy az alább ismertetendő keresési módok nem alkalmazhatóak kódolt (titkosított, jelszóval védett, modern adatbázis-kezelő rendszerek által létrehozott és tömörített) fájlokon. Valamint szöveg keresésénél problémát okozhat az ékezetes karakterek (operációs rendszerenként, illetve kódlaponként) eltérő kódolása is.

A fájlok aktív keresése lokális környezetben is értelmezhető, egyrészről azok elhelyezése (könyvtárstruktúra kialakítása és használata) a háttértárolókon egyedi katalógusként is értelmezhető, másrészt a keresés-kiválasztás érdekében gyakori, hogy a fájlokat név, kiterjesztés, vagy módosítási dátum alapján rendezve jelenítjük meg egy könyvtárban.

13

A lokális meghajtókon történő keresés mindig valós idejű keresést jelent.

2.1.1. Karakterlánc keresése

A ma használatos asztali számítógépek többségén valamilyen DOS, vagy Windows operációs rendszer fut. Az előbbi esetben használhatjuk a FIND parancsot fájlban vagy fájlokban lévő szöveges karakterlánc kereséséhez az alábbiak alapján:

FIND [/V] [/C] [/N] [/I] „karakterlánc” [[meghajtó:][útvonal]fájlnév[ ...]] /V Az összes sor megjelenítése, amely NEM tartalmazza a karaktereket. /C Csak a karaktereket tartalmazó sorok számának megjelenítése /N Sorszám megjelenítése a sorok mellett /I A kis- és nagybetűket nem veszi figyelembe kereséskor. „karakterlánc” A keresendő szöveges karakterláncot adja meg. [meghajtó:][útvonal]fájlnév A keresendő fájl(ok) megadása, ha nincs megadva elérési út, akkor a

FIND a parancssorban beírt vagy egy másik parancsból kapcsolt szöveget keres.

2.1.2. Fájl keresése

Amennyiben a fájl nevét ismerjük, elérési útját viszont nem, akkor a DIR parancsot használjuk. Célszerűen a gyökérkönyvtárból indítva a keresést a /S kapcsoló segítségével az alkönyvtárakat is bevonhatjuk a keresésbe. Ha a fájlnévnek csak részletét ismerjük, ebben a parancsban is használhatjuk a joker (helyettesítő) karaktereket: * és ?. (A parancs használatával kapcsolatos egyéb paraméterek, például az eredmények rendezési módja, megjelenítése elolvasható, ha a parancs után a /? kapcsolót használjuk.)Unix/Linux operációs rendszereken a FIND-hoz hasonlóan működik a GREP parancs, míg a DIR-hez hasonlatosan az LS alkalmazható. A pontos paramétereket és az alkalmazási módokat a Manual, illetve a szakkönyvek tartalmazzák.

2.1.3. Fájlkezelő segédprogramok

Ha van fájlkezelő segédprogram (Commander) a gépre telepítve, akkor abban megtalálható a FIND (keresés) funkció (általában az alt+F7 billentyűkombinációval érhető el, de ez programonként más lehet), amely az előbb ismertetett kereséseket egyesíti (lásd 2. ábra). A keresőablak felső részén megadhatjuk a fájl(ok) nevét, illetve annak részét a helyettesítő karakterek segítségével. A második részben azokat a szövegláncokat (string) szerepeltethetjük, melyeket tartalmaznia kell a keresett fájlnak. A keresésre vonatkozóan az alábbi beállításokat tehetjük: kis- és nagybetűk megkülönböztetése (jelölő négyzet); különböző karaktertáblák használata a keresés során (jelölő négyzet); a keresés helye (választógomb): minden fix meghajtó, a gyökérkönyvtártól indítva, az aktuális

könyvtártól indítva, csak az aktuális könyvtárban, illetve a kiválasztott könyvtárakban.

A keresés eredményét – a feldolgozást megkönnyítendő – többnyire megjeleníthetjük (átmenetileg tárolhatjuk) a segédprogram egyik paneljén.

14

2. ábra Egy fájlkezelő segédprogram keresőfunkciója

A Windows operációs rendszerek (95 és magasabb verziók esetén) a Start menüben tartalmaznak fájlkeresési funkciót (elérhető az Intézőben is, az Eszközök/Keresés menüponton keresztül), melyben az általános fájlkezelő segédprogramokhoz hasonlóan végezhetünk keresést (3. ábra). A „Név és hely” fülecskén a fájlnevet (annak részletét) és az elérési útja adható meg, a „Módosítás dátuma” fülön beállítható, hogy bizonyos időszakokban módosított (keletkezett) fájlok között történjen a keresés, és végül az „Egyebek”-ben lehet beállítani a fájltípust, a keresendő szöveget és a fájl méretét.

A Beállítások menüpontban adható meg, hogy a keresés során a kis- és a nagybetűk meg legyenek különböztetve, illetve itt lehet a keresési eredményeket elmenteni.

3. ábra Fájlkeresés Windows alatt

2.1.4. Összetett fájlkeresés felhasználói programokban

A Windows rendszerek alatt lehetőség van a különféle felhasználói programok (szövegszerkesztő, táblázatkezelő stb.) Fájl/Megnyitás párbeszédablakában – az adott program által megnyitható – fájlok keresésére. A keresési szempontrendszer kialakításához válasszuk az „Irányított” nyomógombot.

A szempontrendszereket, melyek egy jellemzőből (például fájlnév, keresőszó) és feltételből (tartalmazza, kezdete, vége) amelyhez értéket (karakterlánc) adhatunk, állnak és és vagy kapcsolattal alakíthatjuk ki (4.ábra). Beállításainkat tetszés szerint elmenthetjük, ezáltal később is használhatjuk azokat.

15

4. ábra Irányított fájlkeresés Excelben

2.2. Keresés dokumentumokban

A dokumentumokban történő keresés alapvető feltétele, hogy az adott fájl meg legyen nyitva egy programban, amely azt olvasni képes. Ilyenkor az operációs rendszer szintjéről indított keresésektől eltérően (2.1. fejezet) a speciálisan kódolt karakterek vagy (számított)értékek is kereshetővé válnak. További előnye a megnyitott fájlban való keresésnek, hogy a fájlnak nem kell a lokális meghajtókon lennie (bár a hálózati, illetve az elektronikus levélhez csatolt fájlok mentés/letöltés és vírusellenőrzés nélküli megnyitása veszélyes lehet), valamint kényelmes is, hiszen a kereséskor a kurzor az első fellelési helyre ugrik.

Mivel a keresés menete és a keresés során megadható beállítások (szűkítések) mértékét nagyban befolyásolja az adott keretprogram, általánosságban az javasolható, hogy keressük a Szerkesztés/Keresés (Edit/Find), vagy önálló Keresés (Search vagy Find) menüpontokat illetve funkciókat.

A témában speciális jellemzőkkel bírnak az adatbázis fájlok (bővebben az Adatbázis-kezelés alapjai c. tárgy keretében), gyakorlatilag az egyetlen olyan fájltípus melyben az indexálás önmagában megvalósítható, tehát a többitől eltérően nem valós idejű kereséseket végzünk, itt a keresés általában speciális funkció (vagy SQL parancs) segítségével történik (lekérdezések, szűrők).

Az alábbiakban a leggyakrabban használt programok keresési funkcióját tekintjük át.

2.2.1. Keresés a szövegszerkesztőben

A klasszikus dokumentum kezelő program, a szövegszerkesztő (Microsoft Word) keresési funkciója a Szerkesztés/Keresés (Edit/Find) menüpontban található (5. ábra). Az ábra alsó felében látható beállítások megjelenítéséhez nyomjuk meg az Egyebek nyomógombot. A párbeszédablakban így beállítható, hogy hol történjen a keresés (a kurzortól lefelé, felfelé vagy a teljes dokumentumban), illetve, hogy a kis- és nagybetűk megkülönböztetése megtörténjen. Amennyiben a „Csak ha ez a teljes szó” (Whole word) jelölőnégyzetet bejelöljük, akkor a szótöredékeket nem veszi figyelembe (pl.: „ma” keresésre nem ugrik a „mama” egyik felére sem, egyébként mindkettőre).

16

5. ábra Keresés Wordben

2.2.2. Összetett keresés a Wordben

Amennyiben a keresés párbeszédpanelen bejelöljük a „Behelyettesítéssel” jelölőnégyzetet, akkor végrehajtandó keresés pontosabb behatárolásához – a program súgója alapján – az alábbi keresőoperátorokat használhatjuk. (A keresőoperátort be is szúrhatjuk a Mit keres mezőbe. Kattintsunk a Speciális gombra és válasszuk ki a kívánt operátort.)

17

Keresett elem Használandó operátor

Példák

Egyetlen karakter ? k?t megadása esetén a keresés eredménye lehet a „két” és a „kút”.

Tetszőleges karaktersorozat * f*l megadása esetén a keresés eredménye lehet a „fél” és a „fedél”.

A megadott karakterek közül egy [ ] cs[au]k megadása esetén a keresés eredménye lehet a „csak” és a „csuk”.

Egyetlen karakter a megadott tartományban

[-] [a-v]ér megadása esetén a keresés eredménye lehet a „bér”, a „kér” és a „vér”.

A tartományt növekvő sorrendben kell megadni.Egyetlen karakter a zárójelben szereplő karaktereket kivéve

[!] [!v]ár megadása esetén a keresés eredménye lehet a „bár” és a „tár”, de a „vár” nem.

Egyetlen karakter a zárójelben megadott tartomány karaktereit kivéve

[!x-z] [!m-z]ét megadása esetén a keresés eredménye lehet a „hét” és a „két”, de a „rét” és a „vét” nem.

Az előtte álló karakter vagy kifejezés pontosan n számú előfordulása

{n} ar{2}a megadása esetén a keresés eredménye lehet az „arra”, de az „ara” nem.

Az előtte álló karakter vagy kifejezés legalább n számú előfordulása

{n,} ar{1,}a megadása esetén a keresés eredménye lehet az „ara” és az „arra”.

Az előtte álló karakter vagy kifejezés n és m közötti számú előfordulása

{n,m} 10{1,3} megadása esetén a keresés eredménye lehet a „10”, a „100” és az „1000”.

Az előtte álló karakter vagy kifejezés egy vagy több előfordulása

@ ar@a megadása esetén a keresés eredménye lehet az „ara” és az „arra”.

A szó kezdete < <(adat) megadása esetén a keresés eredménye lehet: „adatok” és „adatsor”, de az „alapadat” szó nem.

A szó vége > (adat)> megadása esetén a keresés eredménye lehet az „adat” és az „alapadat”, de az „adatsor” nem.

Megjegyzések A keresési feltételeket zárójelek közé tehetjük, hogy ezzel jelezzük a kifejezések egyes részeinek

végrehajtási sorrendjét. Például a „<(bele)*(ett)>„ keresésének eredménye a „belelépett” és a „belenézett” lesz.

Ha egy operátort úgy szeretnénk keresni, mintha közönséges karakter volna, akkor tegyünk elé egy fordított ferde vonalat (\). Például egy kérdőjel kereséséhez ezt írjuk be a Mit keres mezőbe: \?.

A Mit keres mezőbe írt kifejezéseknek a Mire cseréli mezőben megadott sorrendbe történő átcsoportosítására használjuk a \n operátort a Mire cseréli mezőben. Ha a Mit keres mezőbe a (Zalai) (Szabolcs) kifejezést írtuk be, a Mire cseréli mezőbe pedig a \2 \1 operátort, akkor a szöveg „Zalai Szabolcs”-ról „Szabolcs Zalai”-ra fog változni.

2.2.3. Keresés Excelben

A leggyakrabban használt táblázatkezelő „Keresés” párbeszédablakában (6. ábra)– a szövegszerkesztőben megszokottól eltérően – megadhatjuk, hogy a keresés sor- vagy oszlopirányban történjen, illetve a keresés helye lehet a képlet, az érték és a megjegyzés szövege is. Mivel a számolt cella értékét – természetesen –

18

nem tárolja a program, operációs rendszer szintről indított kereséseknél ezekre az értékekre nem kapunk találatot.

6. ábra Keresés Excelben

Érdekesség, hogy a helyettesítő karakterek használata (összetett keresés) ebben a környezetben alapértelmezett, például ha a „Mit keres” mezőbe négy kérdőjelet (????) teszünk és a „Ha ez a teljes cella” jelölőnégyzetet bejelöljük, akkor kiválasztódik az első olyan cella, amely négy karaktert tartalmaz.

2.2.4. Autoszűrő használata az Excelben

Szabályos adattáblák (a tábla egymás alatti értékei ugyanarra a tulajdonságra vonatkoznak) esetében lehetőség van az Excelben adatok között szűrni, azaz csak bizonyos feltételeknek megfelelő adatokat tartalmazó sorokat megjeleníteni. A lista leválogatásához érdemes az oszlopokat címmel ellátni, és az ezt tartalmazó soron állva az Adatok/Szűrő/AutoSzűrő menüpontot választani. Így az oszlopfejlécek mellett egy elgördülő nyíl jelzi (7. ábra), hogy ez a funkció be van kapcsolva.

7. ábra Autoszűrő Excelben

A kívánt feltételeket kiválaszthatjuk a legördülő listából, mely az adott cím alatt szereplő valamennyi egymástól eltérő cellaértéket tartalmazza, valamint lehetséges az üres, illetve nem üres cellákat tartalmazó

19

sorok megjelenítése. Egyéni szűrési feltételeket is beállíthatunk (8. ábra), ekkor maximum két feltétel és és vagy kapcsolatának megfelelő összefűzésével válogathatjuk le a megfelelő sorokat. Például számokat tartalmazó cellák esetén x és y érték közötti értékek megjeleníthetők, ha az egyéni beállításokban a „nagyobb vagy egyenlő” feltétel mellé az x értéket, majd és kapcsolattal a második feltételhez a „kisebb vagy egyenlő”-t választva az y értéket írjuk.

8. ábra Excel Autoszűrő egyéni beállításai

Több tulajdonság (oszlop) is kiválasztható a szűrés feltételeként, de a második szűrés már az első által kiválogatott adatokon történik, azaz a jellemzőknek való megfelelések és kapcsolatban állnak egymással.

A szűrési feltételek kiválasztását jelzi, hogy a legördülő nyíl kék színűre vált, illetve a feltétel(eknek) megfelelő sorok látszanak az alkalmazásablakban, az előttük lévő sorszám ugyancsak kék színű lesz. Amennyiben nem kívánjuk többé az adott szűrést, a legördülő listában válasszuk a „mind” opciót, vagy kapcsoljuk ki az autoszűrő funkciót (Adatok/Szűrő/AutoSzűrő).

2.3. Keresés az Interneten

Az Interneten leggyakrabban a különböző honlapokon elhelyezett weboldalak tartalmára történik keresés. Az Internet a kialakulási céljából kifolyólag nem rendezett adatok, dokumentumok halmaza. Így a keresést általában speciális kereső és katalógus szerverek segítségével végezzük. A keresőgépek felhasználói felületeiről és a gépek közötti különbségekről szó lesz az alábbiakban.

Minden keresőgépnek közös tulajdonsága, hogy a felhasználói felületről indított keresés egy indexált adattárházban történik. A keresőgép egy speciális programja (robot) ugyanis végigjárja az Internet – általában a szerver által specifikált, illetve az oldalakon található kereszthivatkozások által meghatározott – területét, az ott található fájlokat lemásolja, illetve indexálja. A szervergépre így az adott fájl jellemzői (indexkulcsok) és a fellelési helye (URL) által meghatározott speciális adatbázis kerül. Egy-egy oldal pozícióját a rangsorban a szervergépen kialakított egyedi algoritmus határozza meg, amely alapulhat a kulcsszavak előfordulási gyakoriságán, vagy akár az adott oldalra történő hivatkozások számán is.

Az oldal, illetve fájlleíró adatok bizonyos időszakonként kerülnek frissítésre, illetve a különböző gépek más-más oldalakat látogatnak meg, ezért érdemes lehet adott kifejezés utáni keresést több gépen elvégezni. Az adott oldalt, illetve fájlt a keresőgépek kis része tartja másolatban is (ezt a találati listán jelzik), nagyobb része csak a valódi fellelési helyre történő hivatkozást tartalmazza. Így előfordulhat, hogy a célszerver az aktuális időpontban nem elérhető, ez nem a keresőgép hibáját jelzi. Problémát okozhat még, hogy a találati listában szereplő oldalon nem olyan adatokat találunk, amit kerestünk. Ennek leggyakoribb oka, hogy az oldalon a látogató számára láthatatlan, de a robotok által olvasható részbe különféle megjegyzéseket, kulcsszavakat helyeznek el. Célszerű tehát minden esetben a találati listán megjelenő oldalt meglátogatni, és nem csak a rövid tartalom alapján ajánlani egy-egy oldalt. A böngészők mindegyikében a szövegszerkesztőkhöz hasonlóan található egy Keresés (Find) menüpont (általában a Szerkesztés/Edit

20

menüben), melynek segítségével a letöltött oldalon pozícionálhatjuk a kurzort a kívánt szóra vagy kifejezésre.

A keresőgépek általában nem tesznek különbséget a kis- és a nagybetűk között, néhány helyen előfordul olyan opció, ahol ezt beállíthatjuk, de általánosságban az javasolható, hogy ha számít az eltérés, akkor az adott szót tegyük idézőjelek közé.

2.3.1. Keresés a weben

A weben történő egyszerű kereséshez klasszikusan kétféle lehetőség áll rendelkezésre. Az egyik, a különböző szempontok szerint összeállított katalógusok alapján történő keresés. Ennek történeti alapja a Gopher néven futó szerverhálózat volt, mely az Internet hőskorában a szervereket földrajzi elhelyezkedésük és az elhelyezett anyagok témája (tudománykör) szerint csoportosította. A magyar keresők közül az első ilyen jellegű webes katalógus a Hudir, ma a legnépszerűbb tematikus gyűjteménnyel a .lap család (Startlap) rendelkezik. A katalógusgépek „címgyűjtési” metódusa kissé eltér az általános részben ismertetettől, hiszen kisebb részben épülnek robotok (programok) segítségével, nagyobb részben (emberi) kézi gyűjtés, vagy jelentkezés által.

Ezt a rendszert egy időre kissé kiszorították a valódi keresőgépek, melyek elődje az Gopher szerverhálózaton elhelyezett Veronica keresőprogram volt, ez az oldalakról elhelyezett információs anyagokban végzett keresést.

A manapság leginkább kedvelt keresők (lista a 2.3.3. fejezetben) a kétféle technikát ötvözik, szinte valamennyi keresőgépnek van katalógus szolgáltatása is. Az ebből fakadó előny egyértelmű: ha valaki egy témakör iránt érdeklődik a katalógusban gyorsan az adott témához tartozó lapok között kutathat, s ha így olyan kifejezésre bukkan, mely számára ismeretlen vagy az összefüggésekre kíváncsi, akkor ezt a keresőmezőbe írva máris eljuthat azokra az oldalakra ahol az adott szó előfordul.

2.3.2. Összetett keresés a weben

Az alap keresés során többnyire rengeteg találatot kapunk, így a kérdés pontos körbeírása gyakran elengedhetetlen. Ez magával hozza azt is, hogy nem egyetlen keresőszót kell alkalmaznunk, hanem teljes kifejezés. A legtöbb keresőgép lehetőséget biztosít összetett keresésre, amelyre vagy a rendelkezésre álló külön felületet használjuk (9. ábra, 10. ábra), vagy az alap (egyszerű) keresés ablakában használunk standard kapcsolókat.

Ez utóbbihoz érdemes megjegyezni, hogy ha a keresőszavakat szóközzel elválasztva egymás mellé írjuk, az többnyire a vagy kapcsolatot szimbolizálja (némely keresőgépeken a találati listában előre kerülnek azok az oldalak, amelyek mindkét szót tartalmazzák, s ezeket követik a csak egyik szót tartalmazó oldalak hivatkozásai). Az és kapcsolat úgy képezhető le, hogy a szavak közé szóköz helyett plusz (+) jelet teszünk (a mínusz jellel kizárhatunk szavakat a keresésből, azaz negálhatunk), amennyiben pontos kifejezésre keresünk, úgy azt tegyük idézőjelbe (esetleg a szavak közé tegyünk pontot, szóköz helyett).

Az összetett vagy részletes keresés keresőablakában (keresőgépektől függően) általában az alábbiakat adhatjuk meg (9. ábra): keresés az összes megadott szóval: a szavak között és kapcsolat áll fenn; keresés pontos kifejezéssel: a szavak sorrendje és egymásmellettisége is számít az együttes

előforduláson túl; keresés bármely megadott szóval: a szavak között vagy kapcsolat áll fenn; keresés a megadott szavak nélkül: a negálással egyenértékű.

A találatok szűrése jellemző beállítás, de természetesen a különféle gépeken nem egységesen történik. Jellemzően előforduló lehetőségek:

21

nyelv alapján: a megadott nyelven íródott dokumentumok jelennek meg; fájlformátum alapján: a keresőgép által ismert, és a weben előforduló nem HTML dokumentumtípusok

(Word, Excel, PDF, Postscript stb.) leválogatása, illetve ezek tiltása (innen/innen ne). dátum alapján: a válogatás történhet időszak szerint (Google: az elmúlt 3, 6 hónapban, illetve években)

vagy megadott dátumok közötti időszakra (AltaVista), előfordulások: a keresőszavak bárhol az oldalon, illetőleg az oldal nevében, szövegében, címében stb.

található; hely: a domainok (az utolsó részt kell megadni a domainból, pl.: .hu, az oldalakon találunk segítséget is

a pontos beazonosításhoz), illetve földrajzi régiók lehatárolása történhet meg.Egyes keresők, mint az AltaVista (10. ábra) lehetőséget adnak a Boolean algebra alapján történő keresésre, így a kulcskifejezések célszerű zárójelezésével egészen specifikus kereséseket folytathatunk. A bevezetőben említett (AND, OR, NOT) kifejezéseken kívül egy speciális operátort is használhatunk, ez a NEAR (szomszéd, közeli), amely szorosabb kapcsolatot jelent mint az és, a szavaknak szinte egymás mellett kell lenniük az oldalon.

9. ábra Részletes keresés a Google gépen

22

10. ábra Részletes keresés az AltaVista gépen

2.3.3. Fájlok keresése

Az úgynevezett Anonymous FTP-vel (nem egyedi azonosítóval) az Internetről szabadon letölthető fájlok keresésére szolgált az Archie szerverek hálózata. Ezeken a gépeken a keresés nagyon hatékony volt, és mivel a mai, már WEB-alapú keresők ugyanazokat az alapelveket és beállításokat használják, érdemes részletesebben is megnézni. A beállítások alapvetően a hálózati jellegből adódóan különböznek a lokális kereséseknél ismertetettektől. Általában a keresendő fájl nevét (annak egy részletét) kell megadni, és a keresés korlátozható hossz, létrehozási (módosítási) idő, valamint a domain (esetleg elérési út) alapján, mint az az alábbi ábrán (11. ábra) is megfigyelhető.

Az FtpSearch lehetőséget nyújtó speciális szerverek manapság már igen korlátozottan működnek, többnyire egy, vagy néhány ország, illetve szerver anyagait tartják nyilván.

Az előző fejezetben megismert keresőgépek többsége azonban képes fájlokat keresni a nevük alapján, többnyire speciális (zene, kép, stb.) állományokra szakosodva. Az említett ábrán is bemutatott AllTheWeb kereső FTP Files fülecskéjére kattintva az Advanced opció kiválasztásával viszont egy finoman hangolható keresőt kapunk (11. ábra).

23

11. ábra Az „AllTheWeb” FTP keresőjének részletes beállítása

A fájlok keresése sok esetben nem nélkülözheti a felhasználó aktivitását és kreativitását sem. Amennyiben például különféle számítástechnikai eszközökhöz (úgy hardver mint szoftver) szükséges programokat vagy azok frissítését megkeresni, érdemes az adott termék gyártójának honlapján megnézni. Ilyenkor nagyon fontos, hogy a terméket pontosan azonosítsuk (gyártási és verzió számok), hogy az azzal kompatíbilis programokat töltsük le. Ha a gyártó, vagy a forgalmazó weblapján nem találunk megfelelő letöltési helyet, érdemes a Driverzone.com, vagy a magyar változatát a drivers.hu lapot is megnézni, ahol különféle, kategóriákba rendezett termékekhez található meghajtó-program.

Előfordulhat az a probléma is, hogy adott célra használható programok között szeretnénk válogatni, ilyenkor érdemes az ingyenesen letölthető és demonstrációs programok katalógusaiban tallózni. Magyar oldalakon ezzel a céllal hozták létre az Origo oldalon a Szoftverbázis, nemzetközi szinten pedig a Download.com szolgáltatást.

2.3.4. A keresőgépek listája

Az alábbi táblázatban (betűrendben) összefoglaljuk a gyakrabban használt keresőgépeket és fontosabb jellemzőiket. A számokkal jelölt szolgáltatások magyarázata az alábbi:1. weblapok között történő keresés,2. katalógus a nyilvántartott lapokról és/vagy fájlokról,3. kép és/vagy hangállományok keresése,4. csoportok (Usenet) és/vagy hírcsoportok (News) anyagaiban való keresés, 5. ftp-fájlok (●) vagy egyéb programok (◙) keresése.

Név Cím Lap nyelve 1. 2. 3. 4. 5.AllTheWeb www.alltheweb.com angol ● ● ● ● ●AltaVista www.altavista.com angol ● ● ● ●Download.com www.download.com angol ● ◙Drivers.hu www.drivers.hu magyar ● ◙Driverzone.com www.driverzone.com angol ● ◙Excite www.excite.com angol ● ● ●Goliat www.goliat.hu magyar ● ●

24

Google www.google.com választható ● ● ● ●Heuréka www.heureka.hu magyar ●HotBot hotbot.lycos.com angol ● ● ● ●Hudir www.hudir.hu magyar ●Index kereső katalog.index.hu magyar ● ●Kapu kereső www.kapu.hu magyar ● ●Lycos www.lycos.com angol ● ● ● ● ◙Startlap www.startlap.com magyar ●Szoftverbázis www.origo.hu/szoftverbazis/ magyar ● ◙Vizsla vizsla.origo.hu magyar ● ●Yahoo www.yahoo.com angol ●

2.3.5. Online szerverkeresés

Az eddig ismertetett általános keresőkön túl az igényes szerverüzemeltetők lehetővé teszik, hogy az adott szerveren elhelyezett dokumentumok kereshetőek legyenek. Ez történhet egyedi fejlesztésű, szabad felhasználású vagy kereskedelmi forgalmú szoftver („motor”) segítségével. Így nyilvánvaló, hogy szerverenként eltérő beállításokkal és keresési módszerekkel találkozunk. Az egyes programok és beállítások eltérhetnek egymástól abban is, hogy az adott szerveren található fájlok közül milyen típusúakat képesek indexálni.

Bemutató jelleggel a szerzők által üzemeltettet szerveren is futó, szabad felhasználású és éppen ezért népszerű ht://Dig kereső egyik lehetséges beállításban megjelenő opciók kerülnek ismertetésre (miau.gau.hu/htdig: 12. ábra).

A keresés során itt is használhatunk több szóból álló kifejezést, melyek közötti kapcsolatot az első legördülő menü segítségével állíthatjuk be (All/And/És vagy Any/Or/Vagy, esetleg komplex összetételeknél a Boolean, ekkor szabványos logikai kifejezést kell megadni). A már ismertetett módon, közvetlenül a keresőmezőben is megadható az És kapcsolat, a + jel beírásával. A találatok megjelenítésében választhatunk a hosszabb (Teljes/Long) és a rövidebb (Short) forma közül, ez utóbbinál az oldal címe jelenik meg csak a találati listában, míg az előbbinél e mellett a rövid leírása, elérési útja (URL) és az utolsó módosítás dátuma is. A keresés típusa választhatóan a megadott szó vagy kifejezés pontos egyezésére, vagy töredékegyezésekre, illetve írásmódra hasonlók keresésére állítható be. A találatok rendezése történhet rangsor szerint – ekkor minél többször fordul elő az adott szó az oldalon, annál előrébb jelenik meg –, illetve az oldal címe, vagy az utolsó módosításának dátuma szerint.

A bemutatott szerverkereső – beállításai alapján – nem keres tömörített fájlokban, és olyan kereső kifejezések alapján, melyek rövidebbek három karakternél.

25

12. ábra Keresés a MIAÚ-n

2.4. Példák, feladatok

2.4.1. Keresés MS Word és Excel dokumentumokban

A szöveges állományokban való kereséshez a következő dokumentum szolgál mintául: miau.gau.hu/miau/46/ia2002full.doc. Keresse meg az „IDARA” szó előfordulásait! Keresse meg a „távérzékelés” szó előfordulásait! Keressen az „adat” szóra úgy, hogy legyen az a teljes szó, illetve úgy is, hogy töredékszónak is

elfogadja (ragozott alakok, szóösszetétel)! A táblázatokban való keresés gyakorlásához használja az alábbi dokumentumot:

miau.gau.hu/miau/32/fadn.xls. Állapítsa meg, hogyan viszonyul egymáshoz Borsod-Abaúj-Zemplén megyében az őszi- és a

durumbúza termesztésének állandó- és változó költsége! Hasonlítsa össze a pecsenyecsirke és a vágósertés ágazatok fedezeti hozzájárulást az egyéni

gazdaságokban az egyes méretekre az 1999-es évben! Határozza meg, hogy a vizsgált két évben az őszi búza és a kukorica ágazatban egész

Magyarországot tekintve mely év(ek)ben, milyen gazdaságtípusban és ágazati méretekben volt pozitív az ágazati eredmény!

2.4.2. Feladatok Internetes kereséshez

Értékelje, hogy az alábbi kereső-kifejezések megfelelnek-e (és ha nem miért) a megadott feladatnak! Milyen hatékony(abb) megoldást javasolna? Feladat: adatokat találni a magyar gazdasági növekedés jellemzésére.

Megoldási javaslat: magyar+gazdasági+növekedés. Feladat: az EU jogrendszerével kapcsolatos angol nyelvű oldalak feltárása.

Megoldási javaslat: „European Union”+legal system.

26

Feladat: az ISO 9001 szabványról szóló magyar nyelvű anyagok összegyűjtése.Megoldási javaslat: „ISO 9001”.

Írjon kereső-kifejezést az alábbi probléma megoldására! (cél a minnél rövidebb – így jobban értékelhető – találati lista!) Gyűjtsön információkat az elektronikus kormányzattal kapcsolatban magyar oldalakról!

A következő feladat nem egyetlen kereséssel, hanem többé-kevésbé összetett „információs brókeri” tevékenységgel oldható meg. Internetes források alapján gyűjtse össze az utóbbi öt évre vonatkozóan a bolgár nemzeti valuta

forintban kifejezett árfolyamát!

2.5. Ajánlott olvasmányok

Mészáros Tamás (1998): Keresés az Interneten, BME MIT www.mit.bme.hu/~meszaros/doc/web/kereses.html

Pásztor Márta (1998): Internet használat a mezőgazdasági szaktanácsadásban miau.gau.hu/miau/03/fvmeumarta.html

Dr. Pitlik László, Pásztor Márta, Popovics Attila, Bunkóczi László, Pető István (2001): Interneten elérhető magyar és nemzetközi adatbázisok miau.gau.hu/miau/39/sztik2001.doc

Ungváry Rudolf (2000): A tartalom szerinti információkeresés az Interneten www.mek.iif.hu/porta/szint/tarsad/konyvtar/forras/ungvary/html/bevezeto.htm

Tapolcai, Ágnes – Cserey, Lászlóné (2000): Számítógépes információforrások és szolgáltatások az állatorvos-tudomány területén, Budapest, bio.univet.hu/Tapolcai.htm

27

3. Online Gazdasági Informatika Lexikon

Az Online Gazdasági Informatika Lexikon (OGIL) az oktatók és a hallgatók által folyamatosan fejlesztett értelmező szótár és tezaurusz, mely alapértelmezés szerint a Szent István Egyetem Gazdasági Informatika Tanszéke által oktatott tárgyak szakterületeinek kulcskifejezéseit hivatott összefogni, az ezek között lévő kapcsolatokat feltárni és a tanszéki, illetve más honlapokon elhelyezett, valamint nyomtatott szakmai anyagok közötti eligazodást segíteni. Az OGIL a http://miau.gau.hu/lexikon helyen – kizárólag online – érhető el, a kapcsolódó publikációkkal együtt. Az OGIL egy non-profit kezdeményezés, melyet hosszabb távon ki kellene, hogy egészítsen az érintett oktatók és szakemberek által központi kezdeményezésre szerkesztett lexikon. Ez szolgálna alapjául ugyanis az egyes képzések monitoringjához, az átjárhatóság biztosításához, a képzési súlypontok kialakításához.

Az alábbiakban a kialakítás motivációját és célját, a fejlesztési és továbbépítési lehetőségeket, valamint a fejlesztés didaktikai tapasztalatait mutatjuk be.

3.1. Online Gazdasági Informatikai Lexikon keletkezése, célja

3.1.1. Az informatika oktatás megújítása és ennek következményei

Az online gazdasági informatika lexikon képezi az alapját a Gazdasági Informatika Tanszék oktatás-módszertani megújulásának. Az online lexikon tovább erősíti a hagyományos szekvenciális, s egyben zömmel papír-alapú jegyzetektől való eltávolodást az információs bróker-jellegű, keresésre és kreativitásra alapozó képzési módszer favorizálása mellett, noha egyidejűleg segíti a klasszikus, kijelölt tananyag elsajátítására törekvő hallgatókat is. A lexikon szervesen illeszkedik bele az intézményközi racionalizálás és a kredit-rendszerű átjárhatóság, valamint a mindezeket figyelembe vevő új gazdasági informatika jegyzet koncepciójába, mely jelenségeket a SZIE keretében jelenleg futó – az állandóan érezhető integrációs törekvéseket felerősítő – önértékelési (benchmarking lehetőségeket is magában rejtő) hullám tesz különösen aktuálissá.

Az online lexikonba kerülő és oda be nem kerülő szakkifejezések önmagukban is orientálják a hallgatót és a szakmát, hiszen ezáltal a tantervek tartalma és súlypontjai, ill, az egyes iskola-szerű megközelítések ellentmondásai és interakciói egyértelműbbé válnak az érintettek számára.

A lexikon kapcsán a hallgató szembesül saját definíció-alkotási, ill. példaképzési képességeivel, a strukturált gondolkodás alapját jelentő tudásábrázolás problematikájával, a saját és a más hibáiból, erényeiből való tanulás lehetőségével.

A tanszékünk által oktatott kötelező és szabadon választott tantárgyak oktatásában paradigmaváltás következett be. A fejlődéssel lépést tartva folyton megújuló tantárgyak előadásain és gyakorlatain a hagyományos – szakirodalmi feldolgozáson nyugvó – oktatás az előadók és gyakorlatvezetők projekttapasztalatain alapuló képzés irányába tolódott el. Ezzel párhuzamosan a klasszikus papír-alapú jegyzetet felváltotta a digitális tananyag. A különböző képzések számára a tananyag szerepét játszó Digitális Informatikai Kiskönyvtár (http://miau.gau.hu/op/miaudk1.xls) dokumentumai a hallgatók többsége (vagyis a szekvenciális tanuláshoz szokott réteg) számára nehezen feldolgozhatónak bizonyult. A szakkifejezések értelmezése és a köztük lévő kapcsolatok felderítése, az átfedések értékelése (vagyis a szintézis) sok esetben gondot okoz, mint ahogy a szakirodalmi feldolgozások kritikus értékelése is.

Más szempontból a tananyag elmélyítését és az ismertetett eszközök alkalmazásának begyakorlását elősegítő önálló hallgatói munkák terén tanszékünk mindig ügyelt arra, hogy ezek a feladatok ne csak az említett célokat szolgálják, de ezen keresztül a szakma szempontjából értékes (közhasznú) adatbázisok és

28

mintagyűjtemények jöjjenek létre (pl.: MAINFOKA: miau.gau.hu/mf, ill. miau.gau.hu/nappalos/2002tavasz/link.xls).

A hallgatói felkészülést elősegítő eszközök (online keresés, CD-tartalomjegyzék, előadáson elhangzott fontosabb kifejezések gyűjteménye, megoldás nélküli régebbi ZH kérdések) – el kell ismerni – nem adnak választ hagyományos értelemben a „Mit kell megtanulni?” tipikus kérdésre.

3.1.2. A lexikon fejlesztése, mint tananyag-strukturálás

Az előbbiekben ismertettek alapján nyilvánvalóvá vált, hogy a szakkifejezések feldolgozása egy szakmailag irányított és ellenőrzött önálló feladat keretében rövid és hosszú távon is jól támogatja az oktatás mind tartalmi, mind technikai elmélyítését. Itt kell megjegyezni, hogy a klasszikus jegyzetírás nemcsak a lassú átfutás, de az alapvetően szekvenciális gondolatmenet miatt nem tűnik megfelelő eszköznek a komplex, strukturált, interdiszciplináris gondolkodást igénylő informatikai ismeretek és készségek közvetítésére. A szekvenciális és papír-alapú tananyag további kritikája (még jó tárgymutatók és lábjegyzetek esetén is), hogy nem igazán lehet személyre szabni a felkészülést, míg a hipertextes struktúrákra és a keresésre alapozott digitális tananyag esetén mindenki saját, az ismerethiányainak leküzdéséhez leginkább megfelelő utat járhatja be.

3.1.3. Szótárak és lexikonok a weben

Végigtekintve a jelenleg weben elérhető informatikai témájú szótárakat (lásd: 3.5.1 fejezetet), akkor a következő megállapításokat tehetjük: a többség a számítástechnikában használatos fogalmak megértését segíti elő, többnyire nyomtatott anyag digitális megfelelőjét próbálták megvalósítani, ezért kevés az aktív

keresővel ellátott felületű szótár, valamint a szavak közötti kereszthivatkozások is sok helyen hiányoznak;

az általános szótárakhoz képest a definíciók megadásán túl az OGIL egyszerre támogatja a példaalkotást, a tudásreprezentálást (fogalmi hálók kialakítását), az ajánlott irodalmak kifejezés-specifikus kijelölését, a vitát, a kérdezni tudást, ill. a hibakeresést.

3.2. A lexikon tartalma

A lexikon fő tartalmi vonalai sokszoros szakmai egyeztetések nyomán alakultak ki, és a hallgatók ez alapján egyéni feladat keretében (lásd a 3.4.1 fejezetet) töltik fel folyamatosan tartalommal.

3.2.1. Címszavak és kapcsolataik

A lexikon címszavainak kiválasztása a tanszék oktatói által tartott előadások kulcsszavai, valamint egy német gazdasági informatikai lexikon alapján történt. A lexikon elkészítésének alapvető célkitűzése ugyanis a tantárgyak oktatásának, a tudásreprezentálás megértésének támogatása. Az egy helyen összefoglalt kulcsszavak önmagukban is segítséget jelentenek a tananyag súlypontjainak megtalálásában. Az OGIL ezen túlmenően tezaurusz-szerűen tartalmazza a címszóhoz kapcsolódó szavak listáját is, mely az összefüggések áttekintéséhez nélkülözhetetlen. A szavak közötti szakmai és logikai kapcsolatok teljes áttekintését a kapcsolatokat tartalmazó szimmetrikus mátrix (lásd a 3.4.3 fejezetet), illetve ennek szűrőkkel megjelenített listái hivatottak elősegíteni.

A kapcsolódó kifejezések listájába a hallgatók eddigi munkájuk során változatosan válogattak kifejezéseket a kiadott szavak listájából, illetve más forrásokból. Ez utóbbi megoldás optimális esetben támogatja a szótárépítést, hiszen a más forrásokban használt összefüggések és szinonimák a közös szaknyelvet erősítik. Rosszabbik esetben – főként a hétköznapi életben is használatos kifejezések esetében – a hallgatók egyszerű szinonima szótárat használtak a feladat megoldásához, melynek következménye, hogy az adott szócikkhez

29

nem a szakmailag, hanem a nyelvészetileg közel álló kifejezések kerültek előtérbe, mely természetesen a tananyagban való elmélyedést, illetve az alább ismertetésre kerülő hivatkozás-gyűjtemény elkészítését is ellehetetlenítette.

3.2.2. Definíció és gyakorlati példák

A logikus (halmazelméleti, ill. a modus ponensre / modus tollensre támaszkodó) gondolkodás rutinszerű alkalmazása a hallgatók nagy részénél gondot okozott (pl. alá-fölérendeltség esetén: minden szakértői rendszer egyben mesterséges intelligencia is, de nem minden mesterséges intelligencia egyben szakértői rendszer is, ill. mellérendelés esetén: pl. van-e olyan kifejezés, ami egyszerre kapcsolódik a CBR és a SZR kifejezésekhez, ill. van-e olyan CBR, ami (nem) SZR és fordítva).

Tapasztalataink szerint a definíciók gyakorlatba történő átültetése (alkalmazása) sok esetben problémát okozott a hallgatók számára. A feladat célkitűzésében, példák alkotása is szerepel, amely nem várt gondokat okoz a hallgatóknak, különösen, s furcsa módon inkább akkor, ha az általános definíció sem sikerült. Jó definíciók esetén a jó példák is könnyebben jöttek, noha az általános vélemények szerint egy-egy jó példát könnyebb mondani, mint egy általános érvényű definíciót megalkotni. Felvetődik a didaktikai kérdés, hogy a definíció- és példaalkotási készség elválasztható-e egymástól?

Főként a levelező és kiegészítő képzések esetében figyelhető meg, hogy a feladat kidolgozása során a hallgató saját szakmai szempontjai is megjelennek (nappalos hallgatóknál a tapasztalat hiánya miatt sokszor könyv-ízű a meghatározás). Ez által a tananyag is „személyesebbé”, könnyebben megtanulhatóvá válik.

3.2.3. Nyomtatott és elektronikus irodalmi hivatkozások

Az irodalmi hivatkozásoknál a szótári főszóval kapcsolatos anyagokat kellett megjelölni. Ennek célja a szó és kapcsolatainak mélyebb elemzéséhez történő segítségnyújtás, de a tanulást, a definíciók és a kapcsolatok indoklásának ellenőrzését, validálását is szolgálja.

Az elektronikus irodalmi hivatkozásoknál elsősorban a Magyar Internetes Agrárinformatikai Újság, mint digitális informatikai kiskönyvtár oldalaira való hivatkozásokat vártuk. Az egyéb online források fellelése az ismeretbővítést és mélyítést egyaránt egyaránt támogatja.

A leggyakrabban előforduló hibák ennél a részfeladatnál: Rossz hivatkozások (URL-ek): a hallgatók nem éltek a vágólap programok kközötti

alkalmazhatóságával, az internetes keresések eredményeként megjelenő weblapok címeit nem a másolás-beilklesztés funkciók alkalmazásával, hanem papírra kiírva, majd az adott cellába beigépelve jelenítették meg. Ez szinte automatikusan vezetett az elgépelésekhez (az aláhúzás jelet tipikusan szóközként, míg az egyes számot kis „l” betűként értelmezték).

A dokumentum szerzője és az anyag címe (létrehozási dátuma, stb.) gyakran hiányzott. A probléma egyrészt abból adódik, hogy valóban sokszor található olyan oldal, ahol ezek az alapadatok nincsenek megjelölve (saját oldalainkon is találtak a hallgatók ilyeneket, ezeket folyamatosan helyesbítjük). Más részről több esetben egy kis „nyomozói” munkával kideríthetőek, például a az URL visszatörlésével meg lehet próbálni az adott hálószem nyitó oldaláról elérni a hivatkozni kívánt oldalt, így gyakran megtudható (a kereszthivatkozás kezdőpontjánál) az elvárt adat. Mindenesetre az elektronikus dokumentumok szerzőinek és publikálóinak érdemes lenne megfontolni, hogy oldalaikat a kereső-gépek segítségével nem (csak) a web-szerkesztők által megtervezett keretek között, illetve módon érik el a látogatók, így akár minden egyes dokumentum(részlet)ban érdemes lehet az azonosításhoz feltétlenül szükséges adatokat feltüntetni.

A klasszikus, nyomtatott irodalmak megjelölésénél is több hibát tapasztaltunk, az ismert és alvárt követelményeket (lásd 5.1.3. fejezet) nem sikerült betartani.

30

Ezen részfeladathoz kapcsolódóan elvárásként fogalmazódott meg az irodalmi hivatkozások kritikájának megjelenítése, megy egyrészt tükrözi, hogy a hallgató a megismerésen túl megértette az anyagot, másrészt a különféle megfogalmazásokat és definíciókat sikerült összeegyeztetnie, a közöttük lévő ellentéteket felfedeznie. Ez a kritikai munka különösen fontos egy olyan folyamatosan változó (fejlődő diszciplína esetében, mint az informatika, ahol a fogalomalkotásnak és az ebből következő zavaroknak és félreértéseknek két tipikus problémájával találkozhatunk. Egyrészt egymástól igencsak eltérő jelenségek vagy jellemzők leírására ugyanazt a fogalmat (rövidítést) használják, gondoljunk csak az „informatika” és az „információ” fogalmának különféle megközelítéseire. Másrészt – sok esetben csak az újdonság hatásának keltése szándékával – más-más kifejezéseket használnak ugyanarra a dologra vagy azok csoportjára, ilyenek az üzleti világból a tudományba beszűrődő fogalmak, mint az információs rendszerek szinonimájaként használt „üzleti intelligencia megoldások” (és a sor folytatható…).

3.3. További fejlesztések az OGIL kapcsán

Az OGIL önmagában – minden pozitív hatása ellenére sem – tekinthető azonban egy új jegyzetnek. Ahhoz, hogy elszakadjunk a szekvenciális és papír-alapú jegyzetektől, kiaknázva a digitális tananyag minden előnyét, s mégis támogassuk a hagyományos tanulási módot is, a tanszéken az a döntés született, hogy szeptemberig kidolgozásra kerül egy speciális – CD és/vagy online támogatást is élvező – jegyzet. Ennek teljes tartalomjegyzéke a weben elérhető (http://miau.gau.hu/miau/44/ujjegyzet.doc).

Az OGIL, ill. a szakmai szempontból jelentős szakkifejezések alapján történő szisztematikus tananyag-kijelölés már túlmutat egy tanszék hétköznapi feladatain, hiszen egy fajta szabványos ismeretanyag-kijelölésre, súlypont-meghatározásra törekszik, mely lépések az intézményközi, ill. szervezeti egységek közötti szinkronizálás, racionalizálás, valamint az kredit-alapú átjárhatóság közel sem megoldott kérdéseire látszik strukturált választ adni. Mondhatni véletlen egybeesés, hogy a SZIE minőségbiztosítási stratégiája alapján éppen mostanában kerültek felszólításra a tanszékek arra vonatkozóan, hogy készítsék el önértékelésüket (http://miau.gau.hu/miau/44/oktonert.doc). A jelenleg kevéssé strukturált önértékelési szempontok, amennyiben teljes publikusságot élveznek majd, ha másra nem is, de a szakmai önazonosítás és a jobbaktól való tanulás lehetőségét magában rejti. Egy fajta benchmarking-szerű, hatékonyságnövelő eszközt adva ezzel az oktatásban érintett szervezeti egységeknek.

3.4. A lexikonhoz kapcsolódó önálló feladatok

3.4.1. Új bejegyzés

A hallgatónak a fontosabb kulcsszavak közül (http://miau.gau.hu/lexikon/ eugazdinftj.xls) kiosztásra került egy-egy, a feldolgozás módját előíró utasításokkal együtt, az általuk egyszerűen kezelhető és a továbbiakban a feldolgozást viszonylag könnyen lehetővé tevő Excel munkalap formában.

A feldolgozás során a következőket kellett összegyűjteni az adott szóról: (szakmai szempontból) rokon jelentésű (alá-, fölé- vagy mellérendelt) kifejezések közül hármat (a

mindenki számára hozzáférhető szószedet és/vagy saját szakmai tapasztalatok alapján), a kapcsolatot megvilágító definíciószerű és példával alátámasztott leírással;

a Digitális Informatikai Kiskönyvtárban előforduló öt, és más webhelyeken megtalálható három, az adott szó (esetleg a választott rokon értelmű szavak valamelyikének) magyarázatát/leírását tartalmazó irodalom URL-jének, valamint az anyag címének és szerzőjének feltüntetése;

3 papír-alapú szakirodalmi hivatkozást (alapvetően az online könyvtári katalógusokra támaszkodva), a digitális és a nyomtatott irodalmakból következő definíció leírása vagy megalkotása; kritikai megjegyzések az irodalmi feldolgozással kapcsolatosan; a hallgató által javasolt tesztkérdések és azok megoldása a feldolgozott (esetleg az azzal összefüggő)

szavakkal kapcsolatban;

31

az adott szó idegen nyelvű megfelelőjének feltüntetése, legalább egy, a hallgató által ismert nyelven.

Az előbbiekben ismertetett feladat egyik célja, hogy a hallgatók a különféle (digitális és nyomtatott) forrásokban történő önálló keresést gyakorolják, ill. egy célirányos ismeret megszerzésén (információs brókerség) keresztül a tanagyagban is elmélyedjenek.

A létrejövő speciális thesaurus/értelmező szótár az előzőekben említett (és tovább bővíthető) módon tartalmaz külső online hivatkozásokat, miáltal rendelkezésre bocsátható egyfajta tárgymutató, hasznos linkekkel (mit írnak mások), mely a szakirodalom összehasonlításában és az ismeretbővítésben is hasznos. A tudományos integráció célját szolgálhatja a más, hasonló tematikájú oldalak feltárása és a csatlakozási pontok kialakítása. (Sajnos a weben megjelenő dokumentumok életciklusa bizonyos esetekben rövid és kiszámíthatatlan, így felmerül annak igényei, hogyan lehetne egy téma kapcsán hasznos dokumentumok tartós felhasználhatóságát a megtalálását után jogszerűen is biztosítani.)

Didaktikai szempontból a feladat elkészítése során történő konzultáció, az oktatói észrevételek alapján történő tudás-elmélyítés és pontosítás fontos. Ebből a szempontból lényeges, hogy az elkészített és az oktató észrevételeivel ellátott más hallgatók által (korábban) elkészített feladatokat is (anonim módon) közzé tesszük. Ezek alapján tapasztalataink szerint egyre „szebb” megoldások érkeznek be.

A szakmai vélemények és kölcsönhatások következtében kialakuló „digitális jegyzet” – a speciális tananyag-harmonizáció következtében – (részben vagy egészben) hasznosítható a SZIE és más egyetemek különböző oktatási formáiban.

3.4.2. Hallgatói korrekció

A jövőre nézve érdekes feladat lehet, hogy a hallgatók más hallgatók feladatait tekintsék át, észrevételezzék és javítsák az esetlegesen előforduló hibákat. Ez a tanuláson túl a szótár speciális önfejlődéshez vezet, mivel látható az adott „szócikk” kialakulásának minden fázisa: az első hallgató bejegyzései, az oktatói észrevételek, a hallgató javítása, más hallgató véleménye, valamint az online közzétett anyagokhoz kapcsolódóan megjelenő szakmai, szakértői vélemények. A többszörös kidolgozottság és a korrektúrák fókusz-eltéréseiből levonható következtetések pedig ismételten becsatlakoznak az oktatásba.

3.4.3. Szimmetrikus mátrix

A szimmetrikus mátrix kialakítása a 3.4.1. fejezetben ismertetett alapfeladat más irányú megközelítése, a szakkifejezések közötti „halmaz”-kapcsolatok (alá-, fölé-, mellérendeltség) mátrixban történő alkalmazásával olyan logikai háló jön létre, mely szolgálja a tudásábrázolást, célszerű segítséget nyújt a tanyag elsajátításához.

A hallgató a feladat végrehajtása során az ajánlott szavak jegyzékéből választ 15 szót, majd egy célszerűen kialakított Excel munkalapon a szavakat és azok egymáshoz való viszonyát megfelelő indoklással együtt tünteti fel. A szavak kiválasztásánál és a kapcsolatok megítélésénél a tananyag az alapvető orientációt nyújtja, segítségként használhatók a korábban kidolgozott és közzé tett szótár-feladat fájljai. A tananyagban olvasott, illetve az előadásokon hallott, a feladat szempontjából érdekesnek talált szóhoz a hallgatónak elsősorban az említett forrásokban előforduló összefüggéseket kell kiemelnie. Az önálló munkát, illetve a távoktatási jelleget jól támogatja, ha a kidolgozott szótári lapokon „hólabda” módszerrel végighaladva keresi ki a kapcsolódó kifejezéseket.

Ez utóbbi módszert erősíti a feladat második része, melyben a meghatározott kapcsolatokat indokolni kell. Az indoklás a tananyagra, illetve az előzőekben említett, kidolgozott feladatok magyarázataira támaszkodhat. Az érveléstechnika lehetséges (ajánlott) módjai: következtetési algoritmusok alkalmazása bármely alá-, fölé- és mellérendeltség igazolásának

támogatására. Modus ponens (leválasztási szabály): a „ha … akkor …” típusú kifejezés előtagja igaz,

32

akkor az utótagja is az, illetve a modus tolens (negatív visszakövetkeztetés): a „ha … akkor …” kifejezés utótagja hamis, akkor az előtagja is az (a miau.gau.hu/miau/07/szgy.doc-ban is olvasható példa: „ha egy tehénnek borja van, akkor tejet ad”, a modus ponens alapján a borjú vonzata a tej, vagyis csak a borjú meglétét vizsgáljuk, a tej megléte ebből következik, a modus tolens alapján, ha a következmény nem igaz – nincs tej –, akkor az előtag is hamis: nincs borjú). Informatikai példák: alá-, fölérendeltség: „ha az adatokat döntéstámogatási céllal értelmezzük, akkor azok egy része

információvá válik”; mellérendeltség: „ha induktív szakértői rendszert építünk, akkor a szabályok megalkotásához CBR

technikát használunk”; rész/egész: az alá-, fölérendeltséget legjobban kifejező példa, ha egy nagyobb halmaz részhalmazaként

definiálhatók a fogalmak, a részhalmazok a nagy halmaznak egymás mellé, illetve egymás alárendeltjei (még kisebb halmazai) lehetnek (13. ábra): alá-, fölérendeltség: „az adatokkal végzett műveletek lehetnek aritmetikai (számtani) műveletek”

vagy „az adatokkal végzett műveletek lehetnek logikai (összehasonlító) műveletek”; mellérendeltség (asszociációs kapcsolat!): a fenti példából az aritmetikai és a logikai műveletek

egymásnak mellérendeltjei, mert mindkettő a műveletek egy valódi részhalmaza.

13. ábra Példa a részhalmazokra

tulajdonság („van neki”, „a receptúra része”): az alárendeltség példája, ha valaminek a megvalósításához szükség van egy másik dologra, vagy ez tulajdonsága. A „hozzávalók” mellérendelt kapcsolatban állhatnak egymással. Példák: alárendeltség: „az információs rendszer megvalósításához adatokra van szükség” vagy a „szakértői

rendszerekben OAÉ-tripletekkel dolgozunk”; mellérendeltség (asszociációs kapcsolat!): „az adatok, feldolgozó algoritmusok, és az eredményt

értékelő szakember kölcsönhatásából képződik az információs többletérték”. metszet: a mellérendeltség ismérve, ha két halmaznak van közös része (mely mindkettőnek

alárendeltje), példa tekintetében lásd a 14. ábra mellé fűzött magyarázatot. asszociáció: a leglazább mellérendeltségi kapcsolat, igen tágan értelmezhető, mint ahogy az előző

példákban utaltunk rá, ha két fogalom egy nagy halmaznak egyaránt részhalmaza, vagy ha együttesen szükségesek egy harmadik fogalom előállításához, illetve a két fogalom asszociációs halmazában van közös rész.

Példák, melyekben az adat és az információ fogalmának kapcsolatát különféle (és egyidejűleg létező) nézőpontokból vizsgáljuk: az információ alárendeltje az adatnak, azaz az információk az adatok részhalmazai, hiszen nem minden

adat, s nem mindig hordoz információt az azt értelmező számára, de minden információ – informatikai szempontból – adatokból keletkezik, tehát az információhalmaza alárendeltje (részhalmaza) az adatok halmazának;

33

az adat alárendeltje az információknak, azaz az adatok részhalmazai az információknak: nem minden információ keletkezik adatokból, például a szagok, metakommunikáció, a tárgyaló

partner „kisugárzása” (aurája), hőérzet nem képezhetők le informatikai adatoknak, míg a tőzsdeadatokkal és bizonyos időjárási adatokkal megtehető;

az információ előállításához, keletkezéséhez nem csak adatokra van szükség, hanem tudásra, motivációra, intuícióra, módszertanra, dekódolásra, így az adat csak része a folyamatnak (recepturának);

az adat mellérendeltje az információnak, amennyiben: a döntés fogalmán keresztül értelmezzük a kapcsolatot, a döntéshez mindkettőre szükség van

(mindkét vizsgált fogalom egy harmadik része), azaz a kettő között asszociációs kapcsolat definiálható;

az adat és az információ halmazok metszete az egyidejű alá- és fölérendeltségi kapcsolatból következik (lásd az előző pontokat), a digitalizálható jelek, azaz az adatok egy része nem válik információvá, míg nem minden információ alapul digitalizálható jeleken (14. ábra).

14. ábra Az adatok és az információ halmazelméleti kapcsolata

A feladat megoldásához a hallgatónak alapvetően a tudományos források nem szekvenciális kezelését kell gyakorolnia, az összefüggés-kereséseken keresztül azonban átfogó képet kap a szakkifejezések egymáshoz való viszonyáról. Ez a feladattípus az elméleti tudásra fogékony hallgatóknak hasznos.

3.4.4. Asszociációs lánc

Az asszociációs lánc támaszkodik az előzőekben ismertetett feladatokra, különösen a szimmetrikus mátrixra. A mátrixok egymáshoz kapcsolásával kialakulhat egy olyan háló, melyből ha az egyik szót kiválasztjuk, megjelenik a vele kapcsolatban álló kifejezések alá-, fölé- és mellérendeltségét ábrázoló lánc.

A lánc minden egyes tagja önmagában kiválasztható csomópontként, illetve a szótári alapok, valamint a kapcsolatok indoklása is lekérhető.

A szimmetrikus mátrix alapján ellentmondások kereshetők, amennyiben feltételezzük az egyes fogalmak kapcsán a nézőpontok következetességét. Így egy fogalom alárendeltjének alárendeltje kényszerűen a legfelső fogalom alárendeltje is kellene, hogy legyen. Az ellentmondások a szimmetrikus mátrixban (pl. makróval) egyszerűen fellelhetők.

34

3.5. Ajánlott olvasmányok

3.5.1. Magyar nyelvű informatikai és számítástechnikai online szótárak

Drótos, László (1999): Hálózati értelmező szótár, N.I.I.F. Információs füzetek I/2, Budapest, www.mek.iif.hu/porta/szint/muszaki/szamtech/wan/ fuzetek/szotar/html/index.htm

EuroWeb zsargon szótár, www.euroweb.hu/index_ucentrum.html?id=44 Falus, Iván – Makó, Ferenc – Nagy, Tamás István – Kolter, Ferenc: Online Pedagógiai Lexikon,

human.kando.hu/pedlex/ Informatikai Kisszótár, infosz.freeweb.hu Informatikai Vállalkozások Szövetsége projektek: Hungarian Information Technology Observatory –

Magyar Informatikai Monitor – Informatikai Tezaurusz, ivsz.tvnet.hu/infoteza.html Internet Értelmező Kisszótár, home.iae.nl/users/nickl/mikrosz.html Pluhár, Gábor (2001): Informatikai Értelmező Szótár, Válogatás az informatikai szakirodalom

tanulmányozásához, www.mek.iif.hu/porta/szint/ egyeb/szotar/inf-szot.hun Puskás Hírmondó szótárai, www.puskas.matav.hu/szotar Vincze, Tamás: Hálózati kislexikon, www.kfki.hu/~cheminfo/hun/olvaso/ lexikon

3.5.2. Kapcsolódó irodalom

Pitlik, László – Pásztor, Márta – Popovics, Attila – Bunkóczi, László – Pető István (2002/a): Online gazdasági informatika szótár fejlesztése, Networkshop 2002 Konferencia, Eger, 2002. március 26-28., miau.gau.hu/miau/41/ogil2.doc

Pitlik, László – Pásztor, Márta – Popovics, Attila – Bunkóczi, László – Pető István (2002/b): Online Gazdasági Informatika Lexikon fejlesztése, Informatika a Felsőoktatásban 2002 Konferencia, Debrecen, 2002. augusztus 28-30., miau.gau.hu/miau/45/ogilea.rtf

Ungváry, Rudolf (2000. szerk.): OSZK Tezaurusz, Az Országos Széchényi Könyvtár átfogó tezaurusza, www.mek.iif.hu/porta/szint/egyeb/szotar/oszk-tez/html/index.htm

MIAÚ digitális könyvtári katalógus: miau.gau.hu/op/miaudk1.xls

35

4. Hypertextes struktúrák

4.1. Hypertext az Interneten

4.1.1. Hypertext alias Hypertext Markup Language (*.html) vagy XHTML

A html a W3C Organization [World Wide Web Consortium (http://www.w3c.org), a web technológiai fejlődését felügyelő és szabványokat kibocsátó társaság] ajánlása alapján kerül kiadásra. Jelenleg a 4.01 verziónál tart, de már (2002. augusztus 1.) kiadták az XHTML 1.0 verziót, mely jelzi, hogy áttérnek egy új nómenklatúrára és számozásra. A html mint leíró nyelv a klasszikus értelemben vett grafikus web dokumentumainak a leíró nyelve. A portál és egyéb dinamikus weblapok URL-jében olvasható fájlnevek kiterjesztése időnként (ha látszik) php, asp, nsf, cgi, pl, exe, stb. amely nevében sem utal html-re, viszont ugyanolyan html (ill. xhtml) struktúrájú dokumentumokat küld le minden kérés esetén (dinamikus), mintha az adott lap statikusan lenne a szerveren.

4.1.2. Fontosabb html struktúrák

A html nyelv ún. html tag-ekkel tagolja/választja/emeli ki a tartalmat. Ez mindig a <> jelbe tett html „kódszót” jelenti nyitótagként és zárótagként </ > – / jellel.

Html file nyitó tag: <HTML> – </HTML> zárótag, közzé jön a fejléc és a szövegtörzs. A fejléc nyitó és záróeleme (<HEAD> és </HEAD>) között, találhatóak a különböző fejlécelemek: cím: <TITLE> cím </TITLE> a browser címsorában jelenik meg; kódolás: <META HTTP-EQUIV=„Content-Type” CONTENT= „text/html; charset=iso-8859-1”>; egyéb meta tagek.

A szövegtörzsbe (<BODY> – </BODY> közé) ide kerül az, amit mutatni akarunk: bekezdés: <P> – </P> a lezáró tagot nem kell kitenni; felsorolás, mely lehet:

számozott: <OL SEQNUM=„kezdőérték”> listaelemek <LI>-vel kezdve majd zárótagként</OL>, illetve

felsorolásjelzővel jelölt (nem számozott): </UL> listaelemek <LI>-vel kezdve majd zárótagként az </UL>;

táblázat: <TABLE> és zárótagként </TABLE>, sornyitótag: <TR> – </TR> záró (nem szükséges), cellanyitótag <TD> – </TD> zárótag (nem szükséges). Lehetséges még a cellaegyesítés (COLSPAN=„sorok száma”, ROWSPAN=„oszlopok száma”), szegélyek méretének a megadása (BORDER=„szám”), elhelyezkedés (ALIGN=„CENTER”, „LEFT”, „RIGHT”), függőleges elhelyezkedés (VALIGN=„TOP”, „MIDDLE”, „BOTTOM” vagy „BASELINE”)

A struktúrált elemeken kívül még: kép (<IMG SRC=„file-név” + opcionális elemek> ), imagemap, karakterformázás, stb.

Struktúraként említhetők még a keretek vagy FRAME-ek. Vízszintes vagy/és függőleges kereteket lehet definiálni vagy pontmérethez (eltérő felbontás esetén más eredmény) kötve vagy a képernyő százalékában (kisebb felbontás esetén nem férnek el az objektumok) megadva.

4.1.3. hivatkozások dokumentumon belülre és kívülre

Hivatkozások általános formája: <A HREF=„protokoll://domain/konyvtarak/file.name#jelzo”> a dokumentum jelzett helyén – ha megadott helyre akarjuk a hivatkozást irányítani – a <A NAME=„jelzo”> tagnak kell szerepelnie. Elhagyható részek: a domain (gépnév), ha ugyanazon a szerveren van a hivatkozott file,

36

a könyvtár, ha azonos könyvtárban van a hivatkozott file, a fájlnév, ha fájlon belül van a hivatkozás.

4.2. Böngészők

A böngésző, más néven browser programok alapvetően a html nyelven írt dokumentumok megjelenítését szolgálták. Ma már különféle kiegészítő programoknak és fejlesztéseknek köszönhetően sokféle funkciót képesek ellátni az online zenehallgatástól a levelezésig.

Alapvetően azonban szöveges vagy grafikus web-böngészők léteznek, melyek közül a nagyközönség elsősorban a grafikus webbrowsereket ismeri. Ezzel szemben a szöveges browserek már korábban léteztek, mivel a kezdetek kezdetén még a html sem támogatta túlzottan a grafikus elemek létét és a sávszélesség alacsony volta sem igazán tette lehetővé a grafikus és multimédiás (mozgó kép + hang) elemek töltögetését.

4.2.1. Szöveges browserek

Az általunk is használt (linux alatt) szöveges browser a „lynks” mely rendelkezik DOS-os és linuxos verzióval is. Előnye a grafikus browserekkel szemben, hogy a „viszonylag nagyméretű” képeket le sem tölti ezért gyorsabban kapjuk a kívánt oldalt (manapság ez már nem szignifikáns). További előnye, hogy az nntp protokollt is kivállóan ismeri, tehát hírcsoportok tartalmát is lehet nézegetni vele. Hátránya, hogy nem kezeli a frameket (nem igazán) és a javascript-tel támogatott listából történő választás sem történik meg. Továbbfejlesztett változata a „links” mely hasonlóan szöveges, de már színesben mutatja magát és a kereteket is kezeli. Általános előnyük a gyorsaság és hátrányuk a grafika hiánya.

4.2.2. Grafikus browserek

Amint az MS Explorer névjegyében látszik az NCSA Mosaic nevű browsere adta az alapot. Mivel manapság már nem igazán lehet találkozni vele, ezért koncentráljunk inkább a ma használatos böngészőkre.

Netscape Communicator 4.7, 6.0, 6,2A Netscape Communications cég terméke (belső magja a Mozilla, amelyik jelenleg 0.99 és 1.00-ás verzióval kibocsátást nyert), egészen 1998-ig a Windows 98 megjelenéséig piaci fölénnyel bírt. A 3-as verzióig Navigator néven, a 4-estől kezdve Communicator néven került kiadásra. A Communicator név a belső funkciók sokaságára utal, ami az MS Explorerében pl. nincs meg. Az alapverzió tartalmazza a web-böngészőt, egy e-mail és hírcsoport (nntp) klienst és egy egyszerű de jó (!) grafikus WYSIWYG webszerkesztőt. A professional verzió tartalmaz még többek közt konferencia szolgáltatást is.

A 4.7-es Netscape browser támogatja a javascriptet, java appleteket és a css-t (stíluslap) is, viszont tapasztalatok alapján, a nem szabványos scriptektől, appletektől és css-ektől hamar lebénúl. A 6.0 és 6.2 verzió ezen kívánt javítani, ami sikerült is, viszont a szabványosságot itt is szem előtt tartották, tehát vannak lapok, melyek alatta sem mennek. Előnye hogy nem veszélyes rá a vbscript és általában a vírusíróknak nem kedvelt célpontja. 128 bit széles titkosítást képes kezelni, tehát erre sem lehet panasz. Elérhető linux alá is.

MS Explorer 4.0, 5.0, 5.5, 6.0A Microsoft Corporation webbrowsere, melyet a Windows`98-ban integráltak az operációs rendszerrel. 1997-ig a – 3-as verzióig – lassúsága miatt nem igazán ellenfele a Netscape-nek. Az 5.0-ás verzió óta gyorsabbnak tartják a Netscape-nél. Előnye a Netscape-pel szemben, hogy a nem szabványos html tag-ekkel, javascriptekkel és appletekkel szemben nem túlzottan allergiás, a weblapdesign általában jól látszik rajta, és mint korábban is említést nyert, gyors letöltést és pontos megjelenítést biztosít. A Win98 óta piaci fölényt értek is el vele. A versenyhez persze hozzátartozik az is, hogy ingyenessé tették és integrálták az operációs rendszerekbe.

37

Komoly problémák az Explorerben az általában utólag felfedezett biztonsági lyukak, az ActiveX komponensek és a visualbasic mint scriptnyelv ismerete. Általában e 3 hatására a vírusírók és hackerek kedvelt célpontja.

OperaHasonlóan nagy hagyományokkal rendelkező webböngésző mint a Netscape, mely igazán gyors letöltést és megjelenítést biztosít. Hátránya, hogy nem integrálták belé a javascriptek és appletek ismeretét.

4.3. MS WORD 97, 2000, XP

Nem web-böngésző, hanem szövegszerkesztő, de az Office 97-et (és annak tagjait) felruházták bizonyos weblapkészítő és webböngésző funkciókkal. Van saját web eszköztára (szokásos back, forward, stop, reload-refresh, goto URL funkciók) mely link kattintása esetén előjön. Szabványos formátumú link beírása esetén az átalakul web-linkké vagy menüből lehet rátenni a szövegre a hivatkozni kívánt URL-t. Weblap kattintása esetén a Word ablakába betöltődik egy Explorer böngésző és az végzi gyakorlatilag a letöltést és megjelenítést. Fordított esetben (*.doc kattintása esetén – vírusveszély) az Explorer „rántja” fel a Wordot. Az Office 97 kiadásakor szem előtt tartották a webes elérés fontosságát ezért integrálták az office programokba a linkkezelő képességet.

Web-szerkesztőként is előfordulhat, azaz az aktuális dokumentumból képes html-t konver-tálni, ami viszont nem éppen szabványos. Helyt kapott benne egy weblapkészítő varázsló is, mely egy sablon és a varászló űrlapjai kitöltése után készít html lapokat.

4.4. MS Excel 97, 2000, XP

Hasonlóan a Wordhoz linkkezelő képességet kapott, azaz a linkeket hyperlink (al)objektum-ként csatolja a cella objektumhoz. Képes html táblák létrehozására, mely táblák csakis sztatikus html lapok lesznek (függvények nem működnek...). ODBC-n keresztül elérhető minden xls lap, az Excel viszont nem web-server, tehát dinamikusságot elég nehezen lehet elérni vele web esetén.

Az Excel általános jellemzői: 1 xls munkafüzet tartalmazhat 256 munkalapot v. chartot (256 oszlop * 65.536 sor), ezen kívül Visual basic objektumokat (makrókat, user formokat). A gyakrabban használt munkalapok celláiba matematikai számítások mellett függvényeket is illeszthetünk melyek lehetnek előredefiniáltak [f(x) gomb a szokásos eszköztáron (főbb csoportok: matematikai, statisztikai, idő és dátum, pénzügyi, logikai, mátrix, adatbázis, szövegkezelő, információs] és saját függvények melyeket VBA modullapon a fv.írás szabályai alapján készíthetünk). Az adatokból készíthetünk grafikont (oszlop, kör, perec, pontfelhő, 3D-s felületdiagramm, stb.) ami vagy csatolt objektumként marad a lapon, vagy külön munkalapra kerül.

Ez excelben létezik egy célértékkereső szolgáltatás (egyváltozós célérték-keresés), egy lineáris és nemlineáris egyenlet- és egyenlőtlenség-rendszer megoldó (solver) mely elég bonyolult rendszereket is meg tud oldani iterációs módszerekkel, szűrő és autószűrő funkció és egy ún.keresztreferencia-tábla készítő (pivot) mely gyakorlatilag egy beépített adattárház rendszer. Azonnali lekérdezéseket és összegzéseket lehet vele készíteni a dimenziók és a szummázó funkció változtatásával.

Ezen kívül létezik az Excelben egy bővítménykezelő melybe xla file-okat lehet betölteni (pl. a solver is az és a html készítő varázsló is), mellyel további + funkciókkal tehetjük gazdagabbá (pl. statisztikai kimutatások, elemzések).

Az office többi programjához hasonlóan része a Visual Basic for Applications (VBA) program/modulnyelv, mellyel programozhatóvá válnak az adott dokumentumok, munkalapok, adatbázisok. Ennek a segítségével

38

az Office dokumentumokat (doc, xls, mdb, ppt) előállító programok gyakorlatilag végtelen funkcionalitást tudnak elérni (pl. a Wordben weblapkészítő varázsló). Hátránya a VBA nyelv, mely a vírusírók kedvenc vírushordozójává vált a 4.0 Office megjelenése óta.

4.5. Tárgymutatók, lábjegyzetek

A Word lehetővé teszi a tartalomjegyzék mellett tárgymutató készítését is. Elérhető a Beszúrás / Tárgymutató és Tartalomjegyzék menün keresztül. Eltér a tartalomjegyzék készítéstől annyiban, hogy a kifejezéseket ki kell jelölni („Jelölés gomb”), és a kijelöltek nem eltérő stílusjelölést kapnak, hanem mezőbejegyzést, mely normál nézetben nem látható. Mikor az összes kifejezés jelölést nyert, utána a szövegben a kívánt helyre állva a Tárgymutató fül OK gombján kattintva a Word végrehajtja a lekeresést és a beállított stílus szerint megmutatja betűnkénti tagolásban a tárgymutatót.

Eltérő a 97-es Word-től a 2000-es tárgymutató készítője, itt ugyanis főbejegyzésként és albejegyzésként is felvehetők a bejegyzések, tehát további struktúráltságot kapott maga a tárgymutató.

Lábjegyzetek a lap alján látható ált. számozott megjegyzések, melyek a szöveg adott kifejezéséhez kapcsolódnak. A számozás vagy jelölés felső indexbe tett számok vagy jelekkel valósul meg a jelölt szöveg mögött illetve a szöveg alatt a lábjegyzetként a magyarázat előtt. A Wordben a Beszúrás menüben lehet megtalálni. Minden megjegyezni kívánt kifejezés mögé kell állni, majd a menüből beszúrni a lábjegyzetet. Automata számozás esetén folytatólagos sorszámmal látja el a jelölni kívánt kifejezést majd a szöveg alatt felkínálja a magyarázat lehetőségét.

4.6. Navigációs oldalak, site maps

Komplexebb weblapok (céges lapok, intézmények stb., webes újságok) esetén a felkínált szolgáltatás és maga az intézményi struktúra miatt, nem célszerű olvasmányos szövegekben linkeket elhelyezni, hanem magát a lapot pl. keretekbe foglalni, ahol ált. a bal keretben található a site map (v. navigációs térkép) és jobb esetben az is látszik, hogy a tartalom-jegyzékszerű struktúrában éppen hol állunk pl.: http://miau.gau.hu v. http://miau.gau.hu/periszkop. Gyakori még amikor a főbb címeket a weblap alján – vonallal elválasztva a lap tartalmától – felsorolják és azok mindig láthatók.

A HTML 4.00 szabvány megjelenése óta lehetőség van layer-ek (rétegek) használatára mely még mindig belül esik a HTML szabványon, tehát Java (script + applet) nélkül is használható a frissebb (4.0 verziók fölött) böngészőkben. Jó példa rá az IEB weblapja: http://www.ieb.hu .

Ennél kicsit nehezebb megoldás mikor már nem csak statikus html lap adja a navigációt hanem futó Java Applet, pl.: http://www.berenc.hu . Hátránya, hogy pl. az Opera nem ismeri a Java elemeket, illetve böngésző verziótól és típustól függ, hogy futtatja-e vagy nem.

39

5. Tudományos dolgozatok informatikai szemmel

Tudományos dolgozatok alatt ez esetben a felsőoktatásban előforduló, a hallgatók által is „művelt” dolgozatformákat értjük: TDK, szakdolgozat, diplomadolgozat, disszertáció. E négy tudományos értékű dolgozatfajta a klasszikus dolgozat kategóriába sorolandó, melynek meg kell felelnie bizonyos formai (oldalszám, karakter és bekezdés-forma, tartalomjegyzék, katalogizált ábra és táblázatjegyzék, stb.) és tartalmi követelményeknek, mintsem, hogy a benne lévő új tudományos eredmények hordozójaként egyedi forma-világával tűnjön ki. A tudományos világban ez az uniformitás teszi a műveket struktúrájukban és tartalmukban összehasonlíthatóvá, bár két eltérő tudományágban elért eredmények általában ellentmondásosak, ha össze kell vetni őket.

A tudományosság problémája (mérése és valódisága) már jó ideje probléma, többek között ezért is szabványosították a dolgozatok struktúráját és formáját. Ezen túlmenően a tudományosság mérése úgy valósul meg, hogy disszertáció esetében az új tudományos eredményeket tézisekként külön fejezetben közlik, melyet a nyílt védés után a tudományos bizottság tételesen vagy elfogad, vagy nem. Amennyiben egy tézis nincs kellően alátámasztva tényekkel – tehát támadható – akkor azért, ha viszont túl alátámasztott (vagyis evidens) – tehát esetleg semmitmondó – akkor azért. Valahol itt is az arany középutat kell megtalálni.

5.1. Formai követelmények

5.1.1. A dolgozat fejezetei

A tudományos dolgozatok az alábbi főbb fejezetekből állnak, melyeket (folyamatos) decimális számozással kell ellátni. A főfejezeteket természetesen alfejezetekre lehet bontani, elvárás viszont, hogy egyrészt ezek is rendelkezzenek a főfejezetből levezetett decimális számozással, másrészt csak akkor indokolt létrehozásuk, ha egy főfejezetben legalább két alfejezetet különítünk el, valamint az egész dolgozatban egységes számozási mélységig lehet lebontani a fejezeteket. A számozási mélységet bizonyos esetekben maximalizálni szokták, de semmi esetre sem fordulhat elő, hogy csak egy fejezetet bontunk alfejezetekre (használjuk ki a maximális mélységet).

Bevezetés:A problémakör felvetése, felvázolása, az olvasó bevezetése, célok felvezetése, a célcsoport meghatározása, a várható hasznosság és a motiváció feltárása (kb. 1-3 oldal).

(Kritikus) Szakirodalmi feldolgozás – ami csak időnként kritikus:A tárgykörben eddig fellelhető tudásanyag bemutatása – kritikája. A fejezet során rá kell mutatni azokra a pontokra, amelyek esetén további kutatási igény mutatkozik, és amiért a dolgozat íródott. Ennek során kell tisztázni pontosan a kutatási célokat. (Ez adja a diplomamunka 40-50%-át.)

A vizsgálatok módszertana:Az elvégzett vizsgálatok-kutatások módszertana (tematikusan), a felhasznált adatbázisok, adatok leírása, forrása, befolyásoló tényezők (20-30%), elemzési módszerek bemutatása. E fejezet célja lenne az eredmények reprodukálhatóságának biztosítása.

A vizsgálatok eredményei és azok értékelése:A tematikus vizsgálatok eredményei és azok értékelése a kitűzött célok függvényében. Az értékelésnek mértéktartónak és józannak kell lennie (20-30%).

Következtetés – javaslatok (disszertáció esetében tézisek):Az elért eredményekből leszűrhető következtetések [pl. szignifikáns kapcsolat – erős korreláció (vagy látszatkorreláció)] felsorolása. Disszertáció esetén az új tudományos eredmények felsorolása. Egyéb esetben pedig javaslat formájában le kell írni, hogy mitől új eredmény és hogy hogyan lehet hasznosítani (1-2 oldal).

40

Összefoglalás:Össze kell foglalni az elért eredményeket és esetlegesen kitekinteni a felmerülő további kutatási igények miatt (1 oldal).

Ezen kívül célszerű fejezetszámmal ellátni a következő egységeket is: Tartalomjegyzék – célszerű a dolgozat elején elhelyezni; Felhasznált irodalom – dolgozat végén (papír és elektronikus forrású legyen külön, de pontosan meg kell

meghatározni a hivatkozott oldalakat, pl. p. 145-150, vagy *.html); Rövidítések idegen kifejezések jegyzéke (esetleg tárgymutató) – dolgozat végén; Táblázatok, ábrák jegyzéke – dolgozat végén (minden táblázat és ábra esetében meg kell adni a

szerzőt/forrást, ill. a címet);

5.1.2. A dolgozat egyéb formai követelményei

Általában meg szokták adni, hogy milyen papírméretre (A/4 vagy A/5) kérik nyomtatni a dolgozatot, általában kívül keménykötéssel. Ezután az egy oldalra jutó karakter vagy leütés-számot, amit azóta viszont inkább úgy, hogy margóméret (bal, jobb, felső, alsó), betűnagyság (pontban) és sorköz (normál, másfeles vagy dupla sorköz). Általában Times New Roman betűtípus az elvárt. Ha nem adják meg a betűtípust, akkor is szem előtt kell tartani, hogy a hosszabb szövegrészek (az úgynevezett kenyérszöveg) akkor lesz könnyen olvasható, ha talpas betűt használunk (ilyenek a Times, Book, Bookman, Opera, Garamond). A fejezetcímeket (címsorokat) a szokásos kiemeléseken kívül (nagybetűs, dőlt, félkövér) az azok előtt és után alkalmazott térközökkel, valamint talpatlan betűtípusokkal (Arial, Helvetica, Tahoma stb.) tehető szembetűnővé.

Általában megadják az elvárt hosszúságot (oldalszám) is minimumként és maximumként. Ezen kívül borító, belső borító, első elválasztó, hátsó elválasztó és borító lapokat is előírhatnak.

5.1.3. Hivatkozások, idézetek

A dolgozatban előforduló összes ábrát és táblázatot számozni kell és meg kell adni a forrást is. Ez ugyanúgy történik mint egy szó szerinti idézet esetén, tehát az idézet (kép v. táblázat aláírás) mögé kell tenni zárójelbe hogy kitől származik, és mikor került publikálásra. Pl.: (Minsky, 1992) v. (Minsky et al, 1992).

Hasznos lehet még ezen kívül, ha a felhasznált irodalomban felsorolt műveket (könyvek, cikkek, jegyzetek) beszámozzuk és az éppen aktuális hivatkozás számát mögé tesszük az idézetnek, ábrának vagy egy hosszabb nem szó szerinti idézetnek. Pl.: [4].

5.2. Tartalmi követelmények

A dolgozat vázát és tartalmát elsősorban a kötelező tartalmi tagolás határozza meg, amit a formai résznél már ismertettünk.

A vizsgálatok módszertanánál kell kitérni a felhasznált adatokra, adatvagyonra. Célszerű bemutatni a táblák (a lényeget érintő) mezőstruktúráját, és rekordszámát, az adatok hitelességét vizsgálni kell, nem szabad kritika nélkül továbbszámolni egyetlen forrás adataival sem. A módszertan természetesen magába foglalja a vizsgálatok módszereit is, tehát célszerű a vizsgálatokat klasszifikálva bemutatni: analitikus – nem analitikus, szisztematikus – intuitív, lineáris – nem lineáris stb. Abszolút klasszifikálva és egymáshoz képest is. Kiemelve, hogy adott esetben a szakirodalom melyiket tartja legmegfelelőbbnek vagy nem megfelelőnek.

A módszertan fontos része az önértékelés mutatószámrendszere, vagyis azon mutatószámok meghatározása, melyek alapján a dolgozatírása előtti és utáni helyzet összevethető, s az előrelépés (hasznosság) kimutatható. Ebből következően sok esetben nem elegendő egyetlen módszertanra alapozó megoldás kipróbálása, hiszen ennek eredménye lehet rossz is. A helyes, tudományos lépéssor az, ahol előre

41

meghatározzuk milyen megoldási alternatívák léteznek (megoldások kombinatorikai tere), ebből melyeket vizsgálunk meg, meghatározzuk, a várható eredmények struktúráját, s azt is hogyan rangsoroljuk az egyes eredményállapotokat. Mindezek betartása mellett nem is születhet olyan dolgozat, mely semmitmondó irodalmi ollózásokat és kétes értékű személyes véleményeket tartalmaz csak és kizárólag, ill. csak egyetlen megoldási alternatíva valamilyen részletezettségű bemutatására szorítkozik, (azaz ismét csak lényegében leíró jellegű). Az elemzés alapja a célfüggvény és az alternatív megoldási utak megléte.

A vizsgálatok során esetenként eddig nem ismert fogalmakat vezetünk be, melyeket definiálnunk kell. Ezen kívül ismert összefüggések definíciói is szerepeljenek melyet továbbfejlesztve – levezetve új tételekhez juthatunk. Azért szükséges, hogy az olvasó/bíráló mindig visszakereshesse azt a pontot aminél esetenként elveszti a fonalat….

5.3. Rendszerszemlélet és mérlegszerűség

Fontos, hogy egy dolgozaton tükröződjék, hogy a készítője képes rendszerszerűen gondolkozni. Tehát képes arra, hogy a vizsgálatainak a menetét és magukat a vizsgálatokat is egy rendszerbe (hierarchikus v. egymás mellé rendelt) tudja foglalni. Maga a dolgozat váza is a rendszerszerűséget próbálja biztosítani, de az önmagában még nem biztosíthatja azt. Jó példa a rendszerszerűségre egy szakértői rendszer melyben a kérdések választól függően egymásra épülnek vagy a kérdések összessége fedi le a leírni kívánt problémát / objektumot. És jó ellenpélda a rendszerekben történő gondolkodásra, mikor egyik kérdés a másik után csak véletlenszerűen kapcsolódik egymáshoz, kétszer kerül feltevésre azonos kérdés, ugyanazt a kérdést negálva vagy módosítva teszik fel (megjegyzésképp ehhez: általában bizonyos pszichológia választó tesztek sorolhatók ide).

5.4. Interdiszciplináris gondolkodásmód: Hogyan tanuljuk (szintetizáljuk) az egyes tantárgyakat egymásra épülő módon?

Bizonyos problémák megoldása esetén szükség van az interdiszciplináris gondolkodásmódra. Erre általános és tipikus példa a könyvelők és a számviteli rendszert működtető „informatikusok” példája, mikor az előző problémáját nem érzi magáénak a második csoport és általában nem is tudná megoldani, mivel ő meg a könyveléshez nem ért. Ezért van szükség az interdiszciplináris és rendszerszemléletű gondolkodásmódra és tanulásra. Általában csak miután a kapcsolódó tárgyakat megismertük, utána van mód arra, hogy meg is értsük és lássuk a kapcsolódási pontokat. A jó jegyzetek általában ezeket a kapcsolódó pontokat ki is emelik, ezért szükséges pl. egyetemi képzésben ténylegesen egymásra építeni a tantárgyakat szakirányonként, karonként. Amennyiben ez a struktúra hosszabb ideig fennáll, úgy a jegyzetírók is képesek úgy megírni a jegyzeteket.

5.5. Közhasznú publikálás elvei

Minden közhasznúnak tartott dokumentumot a benne tárolt közhasznú információk, új tudományos eredmények miatt publikálni kell. Amennyiben nem így történik úgy az új információk és tudományos értékű újdonságok aligha hasznosulnak.

A publikálás módjai, lehetőségei: konferenciákon, tudományos folyóiratokban, folyóiratokban, jegyzetekben, könyvekben, weben.

42

Az első három esetben a tudományos értékű közlemény mindenképp lektorálást nyer. Ezen kívül a jegyzet és könyv formában történő publikálás is magával von lektorálást.

A webes publikálás világméretű elérhetőséget biztosít, de a mai tudományos életben általában még a papíralapú dokumentum mellé kapcsolt webes megjelenés az általános. A webes újságok-folyóiratok nagy előnye, hogy állandóan elérhetők és amennyiben nem portál-jellegűek, úgy az összes korábbi szám is egy kattintással elérhető. Kapcsolódik hozzájuk beépített kereső funkció és esetenként tematikus csoportosítás is.

5.6. Copyright

Tudományos dolgozatok esetében nem szokott előfordulni a pénzalapú Copyright probléma. Viszont a tudományos gondolatok eltulajdonítása már igen, ezért szükséges feltüntetni a dolgozaton belül, hogy egy átvett gondolat (képlet, ábra) kitől származik. Amennyiben tudományos körökben előbukkan a plágium problémája, az azt elkövető „kutató” további elismerésre aligha számíthat.

A pénzalapú Copyright általában nemzetközi kiadók által kiadott jegyzetek, tudományos könyvek esetén fordul elő, ahol mint pl. egy útikönyv esetén a további sokszorosítás elsősorban a kiadót károsítja meg.

Web alapú publikálás esetén minden dokumentumhoz hozzárendelhető ellenőrzött hozzáférés, de az Internet elterjedése óta éppenhogy a gondolatok és egyes újdonságok szabadon terjedését kívánja segíteni, tehát a webre kirakott dokumentumok esetén csak a tudományos Copyright probléma fordul elő.

43

6. Problématípusok – Megoldástípusok

E fejezetben Boland (problématípusok) és Pohlmann (megoldástípusok) nyomán a probléma és a megoldás fogalma és ezek típusai kerülnek részletes elemzésre abból kiindulva, hogy az információ fogalmát az igény-szükséglet-alkalmazás szintjén el tudjuk helyezni.

6.1. Problématípusok

Problémáról akkor beszélünk írja Dörner , ha az ember egy olyan külső vagy belső állapotot él meg, mely számára valamely okból nem kívánatos és önerejére támaszkodva nem tudja ezt a nem kívánt állapotot kedvező irányba befolyásolni. A probléma fogalmának lényegében hasonló – pszichológiai, szociológiai indíttatású – definíciója több szerzőnél is (Bartling, Heider, Osgood, Tannenbaum, Festinger) fellelhető.

A problémamegoldás általános sémája Boland nyomán az alábbi módosított ábrával (15. ábra) foglalható össze. Az ábra szerint egy adott szituációból (S) kiindulva több megoldási utat (Ui, i=1,...,n) is be lehet járni. Ezek mindegyike más-más eredményre (Ei) vezet, azaz más-más célokat (Cj, j=1,...,m) elégít ki, célonként eltérő mértékben (pl. J=jól; A=átlagosan; R=rosszul).

A célok egymáshoz való kapcsolatuk szerint lehetnek: komplementerek, versengők vagy irrelevánsak.

A több, egymással versengő célkomponens esetén ezek összevezetése nélkülözhetetlen ahhoz, hogy egységes elvek szerint lehessen rangsorolni a cselekvési lehetőségeket (RUi). Ez az elvárás – bár módszertanilag a célfüggvény fogalma kapcsán könnyen kezelhető lenne – a legtöbb esetben szubjektív okokból még sem elégíthető ki (pl. egységes gazdaságpolitikai célfüggvény nincs, csak részcélok léteznek, mint pl. az infláció csökkentése, a munkanélküliség csökkentése, a hatékonyság növelése, stb.).

15. ábra Problémaszituáció megoldásának elemei (Boland nyomán)

Itt kell megemlíteni, hogy a problémák szűkebben értelmezve különböznek a feladatoktól (Davis, Freibichler, Dörner). Az eltérés lényege az, hogy, míg a feladatok megoldására létezik ismert eljárás, addig a problémák esetében nem. Így minden csak egyszer, az első sikeres megoldásig lehet probléma, ezt követően pedig már csak feladatról beszélhetünk. Minthogy az egyes ember számára elvben minden szituáció új, így a továbbiakban – a közösségi szinten esetlegesen már ismert és megoldott eseteket is – első megközelítésben mindig kezelhetjük problémaként.

44

A következő alpontokban a fenti sémára (SUECR) visszavezethető problémák különböző szempontok szerinti csoportosításai és az ezek alapján levonható következtetések kerülnek ismertetésre.

6.1.1. Összetett problémák

A problémák sokfélék lehetnek. Adott tudásszintet alapul véve, az első fontos csoportosítási szempont a megoldhatóság illetőleg a megoldhatatlanság.

A megoldható problémákon belül Dörner nyomán két típust lehet megkülönböztetni, mégpedig: a zárt, vagy más néven az út-problémákat, illetőleg a nyitott, vagy más szóval a cél-problémákat.

A zárt problémák viszonylag jól definiálhatók: Ismert szituáció és adott cél esetén keressük a lehetséges megoldások közül a legalkalmasabbat (utat) .

Dörner e típuson belül további két altípust különböztet meg: a szintézis-, vagy útkeresési problémákat, melyek esetében a kiindulási helyzet és a cél ismert, de a

megoldási módok (utak) részben vagy egészben még hiányoznak és az interpolációs, vagy útkiválasztási problémákat, ahol is mind a szituáció, mind a cél, valamint a

megoldási utak is ismertek. A feladat arra korlátozódik csupán, hogyan lehet a felvázolt megoldási módozatok közül a legalkalmasabbat kiválasztani.

Az előzőekben felvezetett nyitott problémákat ismét csak Dörner nyomán összefoglalón dialektikus problémáknak is nevezhetjük, hiszen ezek esetében mind a szituáció, mind a cél lehet bizonytalan. A nyitott problémák két altípusba sorolhatók: Rosszul definiált problémákról, vagy tipikus célproblémákról beszélhetünk, amennyiben a szituáció jól

körülírható, de a követendő célok nem világosak. Ebben az esetben a feladat értelemszerűen a célok kiválasztása, illetőleg a célkomponensek egymás közötti viszonyának meghatározása.

Rosszul reprezentálható, vagy szituációs problémáról van szó, ha a cél ugyan világos, de a kiindulási helyzet nem kellően ismert. Ekkor feladatként a lehetséges utak eredményeit befolyásoló tényezők és ezek összefüggéseinek megtalálása jelentkezik.

Eltérően Dörnertől külön típusként különböztethetők meg azok a komplex problémák melyek megoldása ugyan lehetséges, de ezek végrehajtása aránytalanul sok időt, pénzt, munkát és energiát kötne le, mely erőforrások pillanatnyi értéke a megoldástól várható eredmény értékét messze meghaladná.

Mint ahogy az 16. ábra jobb oldali oszlopában látható, a szituációs problémák az előző csoportosítástól eltérően – mintegy alternatív megközelítésként – közelíthetők a szintén határozott célt követő út-problémákhoz, hiszen a szituáció tisztázása (a problémát magukban hordozó és befolyásolható tényezők azonosítása) egyben a lehetséges megoldási utakat (mit és hogyan kell befolyásolni) is kijelöli.

Ezáltal az út-problémák altípusai egy szigorú hierarchiát mutatnak, mely szerint a legbonyolultabb út-probléma (szituációs probléma) esetén a lehetséges utak kijelölésekor magának a problémarendszernek újradefiniálása is megengedett (pl. betegség-megelőzés: a megvédendő rendszer ellenállóképességének fokozásával és/vagy a környezet fertőzőképességének csökkentése útján). Míg az útkeresési problémáknál már az értelmezési tartomány szűkebb. Hiszen itt adott szituációhoz illő megoldási utakat (pl. csak az ellenállóképesség fokozásának lehetőségeit) kell megtalálni. A hierarchiában rákövetkező harmadik esetben (útkiválasztási problémáknál) pedig már gyakorlatilag minden komponens ismert. Egyedül az utak bizonyos szempont szerinti rangsorolása a feladat.

45

Ebbe a hierarchiába a célproblémák is beilleszthetők, elmosva ezáltal a határt a nyitott és zárt problémák között. A célok tisztázása (az értékelési szempontok megválasztása) ugyanis éppúgy a probléma körvonalazásának, s ezáltal a lehetséges utak kijelölésének előfeltétele, mint ahogy ezt már a szituációs problémák esetén láthattuk. Hiszen bizonyos utak nem, vagy csak elhanyagolható mértékben hatnak bizonyos célváltozókra, ezért ilyen utak szóba sem kerülhetnek, ha éppen egy ilyen célváltozó módosítása a feladat.

A célproblémák pedig azért tarthatók a szituációs problémáknál is komplexebbnek, mert, míg a szituáció tisztázásában a valóságnak való objektív megfeleltetés segítheti a továbblépést, addig a célproblémák a szubjektum szintjén kell, hogy rendeződjenek. S ez egyáltalán nem biztos, hogy sikeresen keresztül vihető.

Az eddig bemutatott problématípusokat a 16. ábra bal oldali oszlopa segítségével tekinthetjük át:Szakirodalmi csoportosítás Hierarchikus megközelítés

Nem megoldható problémák Nem megoldható problémák

Megoldható problémák Megoldható problémákZárt problémák útkiválasztási problémák

útkeresési problémák útkeresési problémákútkiválasztási problémák szituációs problémák

Nyitott problémák célproblémáktipikus célproblémákszituációs problémák

Komplex problémák Komplex problémák16. ábra Problématípusok (Dörner nyomán)

Az elmondottakat az alábbiakban néhány szemléltető példával érdemes kiegészíteni:

46

Nem megoldható probléma: az örökélet biztosítása

Megoldható problémák:

Útkeresési probléma: Szituáció: Lázas állapotCél: Lázmentes állapotFeladat: Lázcsillapító hatással rendelkező szerek keresése.

Útkiválasztási probléma:Szituáció: Lázas állapotCél: Lázmentes állapotot elérni, de minimális költséggelFeladat: Az ismert lázcsökkentő eljárások közül a legolcsóbbat megtalálni.

Tipikus célprobléma:Szituáció: Lázas állapotLehetséges célok: Gyors lázcsillapítás, betegség teljes megszüntetése, költségkímélő gyógyítás, szövődmények elkerülése, lehetőség szerint természetes alapú preparátumok alkalmazása, stb.Feladat: A célkomponensek és egymáshoz való viszonyuk meghatározása.

Szituációs probléma:Szituáció: A megvédendő rendszer és környezetének fontos elemei, összefüggései, hatásmechanizmusai bizonytalanokCél: Betegségek kialakulásának megelőzése (vö. rezisztencianemesítés)Feladat: A rendszer komponenseinek, belső és külső összefüggéseinek feltárása.

Komplex probléma:Szituáció: Lázas állapotCél: Lázmentes állapotUtak: 100 ismert szerből az egyenként lehetséges 100-100 dózis variálása, (nem beszélve a pácienstípusok okozta kombinatorikai térben bekövetkező növekedésről)Feladat: A kombinatorikai robbanás során előállt óriási számú megoldási út (100100) hatásának egyenként való kiértékelése (vö. minden lehetséges TOTÓ-tipp kitöltésének költsége a nyeremény reményében).

17. ábra Példák a problémákra (Forrás: Dr. Pitlik László)

6.1.2. Elemi problémák

Az előzőekben bemutatott összetett problématípusok alapelemeiként értelmezhetők azok az egyszerű kérdésfelvetések (elemi problémák, vö. Puppe), melyekre a válaszok önmagukban még nem feltétlenül jelentenek megoldást bármire is, de e válaszok nélkül egyetlen reális probléma sem kezelhető.

Visszatérve az előző pontban felhozott „lázas állapot” példájához feltételezhető, hogy azon kérdésre kapott válasz alapján, „Mennyibe kerül az X nevű lázcsillapító a sarki gyógyszertárban?”, még nem tudjuk eldönteni, ez lesz-e a legolcsóbb terápia. De ezen tény ismerete nélkül a kezelési költségek rangsora értelmezhetetlen.

Az elemi problémákon belül további két típust célszerű megkülönböztetni, mégpedig ezek idődimenziója szerint. Az egyik típusba a potenciálisan azonnal megválaszolható, vagyis a jelen (múlt) idejű kérdésfeltevések tartoznak, mint pl. az előző gyógyszerárat firtató kérdés. Míg a másik csoportba a precízen csak később (a jövőben) megválaszolható kérdések sorolhatók (pl. Hány tabletta lesz szükséges a lázmentes állapot eléréséhez?).

47

Jelen idejű elemi problémákA jelenre (múltra) vonatkozó kérdések megválaszolhatóságának előfeltétele a jelenségek tér és idő szerinti változásainak nyilvántartása. Tipikus példa erre a bevásárlás, az anyagbeszerzés tervezése. Miután elkészült a lista a beszerezni kívánt dolgokról, jelen idejű elemi kérdések sokaságát válaszoljuk meg tudatosan vagy öntudatlanul azzal, hogy összeállítjuk az eladóhelyenként érvényes árlistákat, melyek alapján végül megszülethet a legolcsóbb beszerzési stratégia. A jelen idejű problémák megoldásához tehát adatbázisokra (telefonkönyv, CD, jogszabálygyűjtemény, stb.), és adatbázis-kezelőkre (könyvtáros, szoftver, jogi tanácsadó, stb.) van szükség.

A jelen idejű problémákhoz sorolhatók Kraak nyomán azon kérdésfeltevések is, melyek nem a tényt magát, hanem ennek hitelességét, valószerűségét, vagyis a kiindulási adatok helyességét firtatják. Brandl és Boland nyomán ezen magyarázó, értékelő kérdések megválaszolása az előzőekben ismertetett Dörner-féle csoportosítás (cselekvésorientált típusú problémái) előfeltételét jelentik, hiszen az éppen vizsgált rendszerben ható összefüggések mibenlétét feszegetik. (A 6.1.3. pont kiemelt figyelmet szentel az itt csak utalásszerűen felemlített összefüggés-keresési problematikának.)

Jövő idejű elemi problémákA valós problémák ritkán állnak meg az elvileg azonnal és ellenőrizhető helyességgel megválaszolható kérdések szintjén. A problémák és a feloldásuk érdekében hozott döntések az esetek zömében a jövőre vonatkoznak.

Érdekes példa erre a számítógép-vásárlás problematikája. Egy PC beszerzésekor ennek ára mellett nem csak azt érdemes figyelembe venni, milyen teljesítményparaméterekkel rendelkezik, hanem azt is, mekkora eséllyel romolhat el a jövőben, milyen gyors lesz várhatóan a szervizszolgáltatás, csődbe megy-e idő előtt a garanciát vállaló kereskedő, stb., valamint azt is, mennyit eshet a PC ára rövid időn belül, nem beszélve a vételárra jutó kamatok esetleges vásárlóerő-növelő hatásáról. Így, amennyiben nem határidőre kell a PC, el lehet spekulálni a kivárásos stratégia hasznosságán, mely rengeteg, csak a jövőben realizálódó tény alakulásától függ. Ezen jövőbeli események kimenete soha nem ismerhető a döntés pillanatában teljes bizonyossággal.

Egy adott időpontban egy bizonyos gép megvásárlásával azonban öntudatlanul is kijelentjük, hogy szerintünk (a követett célrendszer alapján) a többi alternatíva előnytelenebb, illetőleg fordítva: döntés eredményességét befolyásoló események úgy fognak alakulni, ahogy az a mi döntésünknek kedvez, (hiszen éppen ezért döntöttünk úgy, ahogy).

Mégis előfordul azonban, hogy a döntés után bizonyos idővel elhangzik a „bárcsak másképp döntöttem volna” sóhaj. A problémamegoldás folyamata tehát erősen a jövőről alkotott kép befolyása alatt áll. A jövőkép kidolgozása kapcsán felmerülő feladatok (a válasz a „mi lesz, ha” kérdésre) egyenesen vezetnek a következő pontban (1.1.3.) kiemelten kezelt gondolathoz, vagyis az összefüggés-keresés központi szerepéhez. A problémamegoldás egyik alapkérdése tehát: csökkenthetők-e az események bizonytalanságára visszavezethető kockázatok, s ha igen, akkor mi a szerepe ebben a folyamatban a módszerességnek és az intuíciónak?

6.1.3. Központi kérdés

Visszatérve az általános érvényű 15. ábraára, kijelenthető, hogy a problémamegoldásban a cselekvési lehetőségek (U) következményeinek ismerete különleges szerepet kap. Hiszen egyrészt a célok (C) elérése – függetlenedve a kiindulási szituációtól (S) és a cselekvési lehetőségektől (U) – már csak a cselekvéstől várt hatások, azaz a következmények (E) értékelését jelenti. Másrészt a szituáció-út-eredmény-cél-rangsor láncolatban éppen a középső láncszem, vagyis az eredmény-meghatározás, illetőleg az összefüggés-keresés az, amely az időtényező alapján kiszakadhat a jelenidejűség tartományából.

48

A „mi lesz, ha” kérdés voltaképpen a legegyszerűbbnek nevezhető problématípus, vagyis az útkiválasztási problémák (feladatok) központi kérdése. A „mi lesz, ha” kérdés helytelen megválaszolása esetén, vagyis helytelen kiindulási adatokra (E) alapozva értelmetlen bármilyen optimum kritérium szerinti útrangsor (R(Ui)) kidolgozása. A problémamegoldás elsődleges feladata így első sorban nem az optimalizálás, hanem a cselekvési alternatívák következményeinek egyre részletesebb és helyesebb levezetése, az összefüggés-keresés.

Egy konkrét példa az eddigiek érzékeltetésére: A mikroökonómia fontos alapösszefüggése a termelési függvények alapján levezetett optimumok mibenléte. A ma ismert, de még inkább a ma oktatott termelési függvények azonban maximum három változó hatásának bemutatására korlátozódnak, úgy mond didaktikai okokból. Ha azonban valósághű termelési függvényekben akarunk gondolkodni, akkor a néhány változós példák kapcsán elsajátítható ismeretek gyakorlatilag alig segítenek valódi kérdések felmerülésekor. Az ismert statisztikai apparátussal ugyanis használható pontosságú többváltozós összefüggések még kísérleti adatokra sem mindig találhatók, nem beszélve a szükséges ismeretek magas szintjéről és az automatizálhatóság hiányában feláldozandó időről (vö. komplex probléma). Ha valamilyen más eljárással mégis sikerül szert tenni egy elfogadható pontosságú függvényre, akkor ennek bonyolultsága nem mindig teszi lehetővé a klasszikus optimalizálást célzó eljárások (szélsőérték-keresés) véghez vitelét. Amennyiben még a célok sokrétűségét és antagonizmusát, valamint már az elemi termelési függvények szintjén is uralkodó elvi bizonytalanságokat (csökkenőhozadék elve vs. Liebig-féle minimum) is figyelembe vesszük, akkor az a kijelentés is megkockáztatható, hogy optimum, mint olyan nem is értelmezhető.

6.1.4. Intuícióigény és algoritmizálhatóság

Annál intuícióigényesebb egy probléma megoldása, minél kevesebb eleme tekinthető adottnak (célproblémák > szituációs problémák > útkeresési problémák > útkiválasztási problémák), s értelemszerűen annál jobban algoritmizálható a problémamegoldás folyamata, minél lehatároltabb maga a megválaszolandó kérdés. A módszeresség (algoritmizálhatóság) magában hordozza a célelvűség kényszerét. Így azokban az esetekben ahol a lehetséges megoldási utak, a követendő célstruktúrák és a fontos rendszerkomponensek (mérési, megfigyelési módok) meghatározása a feladat, ott nehéz bármit is automatizálni, hiszen magának a sikeres akciónak a fogalma nehezen írható körül. (Mottó: Heuréka? = Megtalálnám, ha tudnám, mit keresek). Amennyiben mind a cél, mind a megoldáshoz rendelkezésre álló eszköztár adott, akkor elvileg már semmi sem áll útjában a módszeres problémamegoldásnak.

A problémamegoldás nem más, mint egy szituáció feladattá egyszerűsítése, ennek tipizálása és zárt szerkezetűvé (célirányossá, precízen lehatárolttá) alakítása révén. A problémákat csak emberek tudják megoldani, minthogy ezek csak számukra léteznek. Feladatokat azonban már gépek is képesek kezelni.

6.1.5. Problémamegoldó-képesség, szubjektív megoldási stratégiák

Objektív megoldási tér – szubjektív keresési térRendszerelméleti alapon közelítve az emberi problémamegoldás jelenségéhez felvetődik a kérdés, mely

hatótényezők által jellemezhető egyáltalán a vizsgált jelenség. Brander e tekintetben a tudás és tapasztalat fogalmakra támaszkodik, mégpedig ezek szituációfüggőségét kimondva. Brander a megoldás folyamatában különbséget tesz az objektív megoldási tér és a szubjektív keresési tér között. Eszerint az objektív megoldási tér az a halmaz, melyben a megoldás megtalálható. Míg a szubjektív keresési tér azon megoldási alternatívák (az előzőnél értelemszerűen szűkebb, maximum egyenlő nagy) halmaza, melyet a megoldást kereső személy egyáltalán figyelembe vesz. Ez a kombinatorikai alapokra támaszkodó gondolat a legújabb megközelítésekben többszörösen visszaköszön, kezdve a modellezéstől, a tudás fogalmának értelmezésén át, a bemutatandó módszerek logikájáig. Módszeres problémamegoldás esetén a szubjektív megoldási tér mérete nagyságrendekkel nagyobb lehet, mint az intuitív eljárásokra támaszkodó megoldásnál. Azonban a méret nem áll direkt összefüggésben a sikerességgel, hiszen pl. egy egyelemű szubjektív halmaz tartalmazhatja éppen a helyes megoldást is.

49

AránytalanságLabsch a tényszerű adatok (információk) és a problémamegoldás sikeressége között meglévő kapcsolat alapján négy típust ír le, melyeket Brauchlin nem egyes személyekhez köt, hanem a személy és a szituáció együttes hatására – tehát személyenként is változó gyakorisággal – fellépő lehetséges mintázattípusnak nevez.A típusok közül különösen az intuitív gondolkodó (kevés tény, mégis nagy találati arány, ill. siker) illetőleg a dilettáns tippelő (sok tény, mégis alacsony találati arány) esete elgondolkodtató. Mindkettő közismert léte arra a paradoxonra enged következtetni, hogy a tapasztalatok és a sikeresség közötti arányosság (kevés tény, rossz megoldás, ill. sok tény, jó megoldás) nem törvényszerűen kell, hogy érvényesüljön az emberi problémamegoldásban. Ezt a kijelentést látszik alátámasztani az információtudomány esettanulmányokra alapuló, önkritikus kijelentése is, miszerint az informatikára (informáltság növelésére) fordított invesztíciók és a gazdálkodás sikeressége közötti korreláció semmi esetre sem nevezhető pozitívnak. Sőt egyes szerzők (szakszervezeti, gazdaságpolitikai irányzatok) még ennél is tovább mennek, s az emberi (beosztotti) kreativitást hangsúlyozzák a jelenlegi hierarchikus információmonopóliumokra épülő szervezeti felépítéssel szemben.

Következésképpen az emberi problémamegoldó-készség egyrészt többletérték előállítására képes, másrészt azonban hajlamos a pazarlásra. Amennyiben tehát az intuitív gondolkodók (intézményesen nézve pl. a kutatók, szakértők, de éppen úgy a managerek is) többletérték teremtő hatása gépi algoritmusokban rögzíthető, s a többi (alacsonyabb hatékonyságú) problémamegoldó típusba sorolható egyén képességei ezáltal kiegészíthetők, úgy két szempontból is többlet realizálódik: egyrészt az eddigi arányosan vagy aránytalanul alacsony találati arányok feljavítása révén, másrészt pedig a szükségszerűnek ítélt tények mennyiségének korlátok között tartása miatt. Hiszen az intuitív gondolkodók relatíve kevés tényből képesek viszonylag magas találati arányokat produkálni. Feltehetően a hasonló helyességgel működő „gondos és sikeres” típus ténymennyiségére támaszkodva ezek még jobb eredményeket érnek el, ill. fordítva nézve: adott sikerszint eléréséhez nincs szükségük annyi adatra.

Tippelő

Óvatos, de sikertelen

Óvatos, de sikeres

Intuitív gondolkodó

SikerInformáció18. ábra Informáltság és sikeresség kapcsolata (Labsch nyomán)

Más oldalról az intuitív gondolkodók létezése rámutat arra is, hogy kell, hogy legyenek (legalább is biológiai szinten) olyan összefüggések, melyek viszonylag kevés tény alapján a teljességet jól jellemzik. E képesség feltehetően a tények értelmezésének (analógiák, hasonlóságok) milyenségével állhat kapcsolatban. Márpedig, ha ilyen jelenség egyszer már létezik, akkor ez is, mint sok más, feltehetően mesterséges körülmények között (pl. számítógépen) is reprodukálható. S, hogy ez mennyire így van, azt a sakkautomaták példája már ma is jól mutatja.

50

ElhamarkodottságRoth, Kreutzig és Dörner a „hangos gondolkodás” módszerére támaszkodó vizsgálatai alapján a gyenge problémamegoldó-készséggel rendelkezők esetében gyakrabban lehetett elhamarkodott következtetésre utaló, határozott kijelentéseket hallani (vö. „hamar munka ritkán jó” – népi bölcsesség). Így az ötletek következetes, szisztematikus végiggondolása (tipikus gépies tulajdonságok) a jó megoldások alapja. Ez a kijelentés – magától értetődő igazságtartalma ellenére – ellentétben állni látszik a Labsch-féle intuitív gondolkodókról mondottakkal.

Az emberi gondolkodásmód egyedileg eltérő mértékben, de mindenképpen hajlamos a problémák gyors (elhamarkodott) megoldására (zseni vs. dilettáns). Az elhamarkodottság speciális formája a rendszerezendő tények mennyiségének redukálása, vagy a zavaró elemek figyelmen kívül hagyása. Kevés, önkényesen szelektált tapasztalat alapján a legegyszerűbb tökéletes összefüggéseket találni. Hinni ezekben azonban csak korlátozottan szabad. Az alaposság hiánya így egyrészt rossz megoldások forrása, másrészt azonban a kombinatorikai robbanás (a végtelen) kezelésének intuitív, s ezáltal értékes eszköze.

Problémamegoldás sémáiA problémamegoldásra számtalan séma ismert. Az következő táblázatban két (balra: Irle, Wiswede és jobbra Dörner) változatot ismerhetünk meg.

a probléma azonosításaadatgyűjtés

alternatív megoldások kidolgozásaalternatívák összehasonlításaegy alternatíva kiválasztása

részletes kidolgozásvégrehajtásellenőrzés

a probléma lehatárolása, besorolásahelyzet és célelemzés

az eltérések kimutatása (cél-helyzet)megoldáskeresés

megoldások értékelésemegoldási mód kiválasztása

végrehajtásellenőrzés

19. ábra A problémamegoldás sémái (Wiswede és Dörner nyomán)

A problémák mibenlétének felfedését és a megoldás megtalálását segíti Brauchlin szerint az eddigi ismeretek új megvilágításba helyezése (álláspont változtatás), illetőleg a jövőben várható változások tendenciáinak feltérképezése. Emellett hasznos a nyitottság, a többszöri átgondolás ugrásszerű, logikátlannak tűnő asszociációkkal és teljesen más jellegű területekről hozott analógiákkal tarkítva. Elkerülendő azonban mindenféle elhamarkodott kijelentés, következtetés.

Mint látható a számítógépek (módszeresség) által támogatható alaposság, szisztematikusság, gyorsaság és pontosság csak egy részét jelentik a problémamegoldás helyességét növelő eszközöknek (vö. intuíció, asszociáció). De a számítógép nyújtotta előnyök kiaknázása nagy valószínűséggel előrelépéshez kell, hogy vezessen.

6.1.6. Összegzés

Az intuitív problémakezelés minden problématípus esetében alkalmazható, míg a módszeres megközelítés csak bizonyos előfeltételek (célirányosság, tipizáltság) megléte mellett.

A problémamegoldás első lépése a célok tisztázása. A módszeres megoldás hiányának ezért nem csak az adott probléma komplexitása, hanem a követhető célok összeegyeztethetetlensége is oka lehet (pl. gazdaságpolitika összetett célrendszere -> kézi vezérlés kényszerűsége vs. repülőgépek robotpilótái).

51

Minden probléma magában hordja az összefüggés-keresés problematikáját. Léteznek olyan összefüggésformák, melyek viszonylag kevés tény alapján relatíve sok helyes megoldást, azaz többletértéket valószínűsítenek (aránytalanság).

Az ember a problémamegoldás során hajlamos elhamarkodott következtetések levonására. Az alaposság hiánya gépi algoritmusok folyamatba való beiktatásával csökkenthető.

Az intuíció és az asszociáció emberi képessége a szubjektív megoldási tér (esetlegesen) helyes leszűkítésével lehetővé teszi végtelen számú megoldási lehetőség (végtelen nagy kombinatorikai tér) esetén is a gyors és eredményes problémamegoldást.

6.1.7. Ellenőrző kérdések

Hogyan épül fel az SUECR-modell? Milyen csoportosítási elvek alapján, milyen problématípusokat lehet megkülönböztetni? Mi tekinthető a problémamegoldás központi kérdésének? Milyen aránytalanságra mutat rá a Labsch-féle csoportosítás? Mi az objektív megoldási tér ill. a szubjektív keresési tér? Milyen kapcsolat van a szubjektív keresési tér, a módszeres és az intuitív technikák között?

6.2. Megoldástípusok

Az elmúlt évtizedekben az újabb és újabb problémamegoldó eljárások megjelenésével (pl. szakértői rendszerek) többször fellángolt majd nem sokára lelohadt a kezdeti lelkesedés. Sokak az új módszerek gyenge technikai kiszolgálásra fogták (fogják) a felhasználói oldalon kialakuló szkeptikus hozzáállást. Megfogalmazódnak azonban olyan vélemények is, melyek az okok mögött mélyebb összefüggéseket sejtenek.

Ezen összefüggések egyike a mindenkori probléma és a hozzáválasztott megoldási stratégia nagy arányú inkompatibilitását mondja ki. Nem véletlen – maradva a szakértői rendszerek példájánál – mondja Harmon, hogy az ismert szakértői rendszerek 90%-a azonos (diagnosztikai) problématípus megoldását tűzte ki célul.

Bármely módszer bemutatásakor elengedhetetlen tehát a megoldási stratégiákkal kapcsolatos ismeretek (értelmezési, érvényességi tartományok) felvázolása. Csak ezen ismeretek birtokában lehet ugyanis az ismertetendő eljárásokban rejlő potenciált helyesen felmérni, s ennek nyomán ott alkalmazni őket, ahol valóban hatékonyan segítik az emberi problémamegoldást.

A problémák és ezek megoldása kapcsán három fontos kérdést kell tisztázni, melyek közül az eddigiek alapján remélhetőleg az elsőt máris megválaszoltnak tekinthetjük. Lehetséges-e az egyedi problémák tulajdonságai alapján problématípusokat felállítani? Milyen megoldási stratégiák léteznek, s milyen kapcsolatban állnak ezek a problématípusokkal? Milyen eszközök (pl. szoftverek) állnak rendelkezésre, s hogyan támogatják ezek a megoldási

stratégiákat?

Az alábbi ábra rámutat arra, hogy a rendelkezésre álló eszközök a megoldási stratégiákon keresztül konkrét problématípusokhoz rendelhetők hozzá.

52

20. ábra Problémák, megoldások, eszközök (Pohlmann nyomán)

Az előző ábra alapján a kérdésfeltevéseket két szempontból – a problémával rendelkező és a megoldást kínáló – szemszögéből lehet vizsgálni. A hasonlóságok meghatározásánál a megoldást kínálók érvei a lehetséges megoldási stratégiák ismeretében kényszerűen gyakorlatiasabbak, mint a problémával rendelkezőké. Így minden további nélkül előfordulhat az, hogy, míg a problémával rendelkező ember saját kérdését egyedinek tartja, addig a szakértőnek az adott eset teljesen tipikus, másképpen fogalmazva rutinfeladat. Ebből következően a problémamegoldás a módszerek alkalmazásával kapcsolatban mindenképpen rálátást (metatudást) igényel, mely leíró jellegénél fogva oktatható, s hasznossága révén oktatandó.

A kapcsolódó szakirodalom áttanulmányozása alapján kijelenthető, mondja Pohlmann, hogy kutatók érdeklődése csak kb. egy évtizede fordult a problématípusok és megoldási stratégiák kompatibilitásának vizsgálata felé. Az idő rövidsége miatt terminológiai problémák serege figyelhető meg (pl. egyes szerzők által problématípusként definiált jelenség másoknál, mint megoldástípus fordul elő).

Az alábbi táblázatban a szerzők és időpontok mellett a már leírt problématípusok ill. módszerek felsorolása található. A felsorolt problématípusok és módszerek jellemzése a teljesség igénye nélkül a szöveggyűjtemény I. részében található.

53

Szerző, dátum Problématípus, megoldási módszerAllen, 1990 tudásbázisú tervezési technikák áttekintéseBreuker, 1987 Heurisztikus klasszifikációBylander, Chandrasekaran, 1986 Generic TaskChandrasekaran, 1987 Abdukció, Objektumszintézis, Hierarchikus klasszifikáció,

Hipotézis-összehasonlítás, Állapot-absztrakcióClancey, 1984/85 Heurisztikus klasszifikációEngelmore, Morgan, 1987 Blackboard-rendszerekFikes, Nilson, 1971 Create and Debug PlanningHammond, 1989 Case-Based PlanningHarmon, 1987 Diagnosztika, Tervezési problémák, Ellenőrzés, Proceduális

problémákHayes-Roth, 1983 Debugging, Tervezés, Irányítás, Értelmezés, Ellenőrzés,

Karbantartás, ElőrejelzésHendler, 1990 Tudásbázisú tervezési technikákJagannathan, 1989 Blackboard-rendszerekKarbach, 1990 Breuker, Chandrasekaran és McDermott tanainak

összehasonlító elemzéseKlahr, 1980 Tudásbázisú szimulációMcDermott, 1988 Heurisztikus klasszifikáció, Tulajdonságlefedő klasszifikáció,

heurisztikus tervezés, esetalapú tervezésPuppe, 1990 Ellenőrzés, Klasszifikáció, Tervezés, SzimulációRound, 1989 Szimulációk áttekintéseShannon, 1985 Tudásbázisú szimulációSussmann, 1975 TervezésWilensky, 1983 Tervezés

21. ábra Megoldás (probléma) altípusok (Pohlmann nyomán)

Pohlmann nyomán három lényegi problémamegoldó stratégia különíthető el: a klasszifikáció, a konstrukció/tervezés és a szimuláció.

A típusokon belül természetesen további altípusok különböztethetők meg. De a relatíve kevés számú főtípus arra enged következtetni, hogy maguk a problémák sok közös vonással kell, hogy rendelkezzenek. Hiszen a három típus megkülönböztetése, mint az hamarosan látni fogjuk, végső soron ugyanazon jelenség jellemzését jelenti. Ez a kijelentés teljes összhangban áll az 6.1.3 pontban központi kérdésnek nevezett összefüggés-keresés gondolatával.

6.2.1. Definíciók

Probléma: egy-egy kérdés.Attribútumok: az adott probléma jellemzőinek, tulajdonságainak, tényezőinek,

elemeinek, komponenseinek halmaza.Megoldás: egy-egy problémához, kérdéshez konkrét célrendszer esetén a lehetséges

megoldások halmazából legjobbnak tűnő stratégia, illetve válasz.Klasszifikáció: elemi problémák esetén az attribútumok konkrét értékeinek ismeretében a

legjobb egyetlen egy megoldás kiválasztása a lehetséges megoldások közül.

Konstrukció: összetett problémák esetén az attribútumok ismeretében a lehetséges elemi megoldások legjobb kombinációjának kiválasztása.

Szimuláció: a kiindulási attribútum-értékek ismeretében – a rendszer modellezése

54

révén – a végállapotra jellemző attribútum-értékek meghatározása.

Egységesség alapjai: Amennyiben a konstrukció elemi megoldásainak halmazát behelyettesítjük ezek kombinációinak halmazával, akkor azonnal egy tipikus klasszifikációval állunk szemben. Tehát a különbségtétel a klasszifikáció és a konstrukció/tervezés között tartalmilag nem indokolt. Ahhoz pedig, hogy egyáltalán el tudjuk dönteni egy megoldásról, hogy az-e a legjobb, elvileg minden potenciális megoldásról tudni kell, milyen eredményre vezet. Az eredmények becslése, előrejelzése pedig nem más, mint maga a szimuláció, illetve más oldalról nézve: egy speciális klasszifikáció abban az értelemben, hogy adott kiindulási állapotokhoz hozzá kell tudni rendelni a legvalószínűbb következmény-állapotot. A klasszifikáció maga pedig éppen az előző mondat értelmében az összefüggés-keresés szinonimája. Így gyakorlatilag minden probléma-megoldási stratégia visszavezethető a központi kérdésre, az összefüggés-keresésre.

6.2.2. Megoldás-altípusok

Noha alapvető tartalmi különbség nincs az egyes főtípusok között, mégis érdekes ezek konkrét megjelenési formáit (altípusait) megismerni és új fogalmakkal (pl. heurisztika, II. rész) összevetni.

Szimuláció altípusaiA szimulációval kapcsolatban – mely még egyszer kihangsúlyozva: egy rendszer kiindulási értékeihez modellek (összefüggések) segítségével keresi a következményeket – a következő (a Vállalatgazdaságtanból már ismert) jelzők kapcsolhatók: leíró-magyarázó szimuláció (vö. black box vs. white box modellek, 8. fejezet), statikus-dinamikus szimuláció (az időtényező kezelésétől függően), determinisztikus-sztohasztikus szimuláció (a figyelembe vett jelenségek minőségétől függően).

A konstrukció altípusaiHammond szerint két alapvető konstrukciós megoldástípus van: Create and Debug Planning – a lehetséges megoldáselemekből bármely kombináció értelmezhető; a

kombinációk egymásból (a mindenkori előző állapot javított változataként) levezethetők, s így egy több lépcsős ellenőrzést követően értelemszerűen mindig az utolsó állapot a legjobb megoldás (vö. evolúciós stratégia).

Anticipate and Avoid Planning – csak bizonyos (már ismert) megoldás-kombinációk közüli választás lehetséges, melyek közül a legjobbat kell a tényleges problémához adaptálni.

Mindkét eljárás – a későbbi definíciók értelmében – speciális heurisztikának tartható, hiszen a kombinatorikai robbanás által fenyegetett megoldási teret kezelhető méretűvé redukálják. Maga Hammond is hatékonyságuk alapján jellemzi a lehetséges stratégiákat.

Puppe értelmezése szerint a konstrukció folyamata három lényegi részre tagolható: konfigurálás (objektumok definiálása), hozzárendelés (kapcsolatok definiálása), tervezés (objektum-kapcsolat-láncok kiépítése).

Ez az értelmezés ismét csak az összefüggés-keresés kombinatorikai alapú megközelítésének fontosságát hangsúlyozza ki.

55

22. ábra Konstrukciós hozzárendelési altípusok (Pohlmann nyomán)

A klasszifikáció altípusai

23. ábra A klasszifikáció altípusai (Pohlmann nyomán)

A) Biztos klasszifikálás

Alapvetően példákra hivatkozva (mint a növény-meghatározás, a betegség-meghatározás, műszaki hiba diagnosztizálása) elmondható, hogy a kiindulási helyzethez illő következtetés a biztos klasszifikáció esetében gyakorlatilag egyértelműen megadható (vö. szakértői rendszerek).

A klasszifikálást ez esetben módszertanilag a döntési fa és a döntési mátrix támogatja:

56

24. ábra Döntési fa (Pohlmann nyomán)

Döntési mátrix Szabály 1 Szabály 2 Szabály 3 Szabály 4 Szabály 5 Szabály 6 Szabály 7

Megmunkálhatóság õsszel + + + - - - -Megmunkálhatóság tavasszal + - - + + + -Vetésidõ + - + - -Gyomosodás - +Új döntési mátrix X X

Védekezés X X X

Nem kell X X+=jó, korai, alacsony; -=rossz, kései, magas; üres=nem mérhetõ

25. ábra Döntési mátrix (Pohlmann nyomán)

57

A két ábra alapján jól látható, hogy a döntési fa a döntési mátrixhoz képest úgy mond „többet” tartalmaz, nevezetesen a befolyásoló tényezők hierarchiáját (vö. többszintű szabályrendszer a szakértői rendszerekben), míg a döntési táblázat „csak” a előzmény-következmény hozzárendelések mibenlétére koncentrál. Az idézőjelek értelemszerűen arra utalnak, hogy ez a látszattöbblet a hozzárendelések (a válaszok) helyességén semmit nem változtat (vö. II. rész). Más oldalról azonban az is világossá válik, hogy nem minden kiindulási adatra van feltétlenül szükség érvényes következtetések levonásához, vagyis a hozzárendelések statikus ábrázolása még nem ad választ arra, hogyan lehet hatékonyan alkalmazni (vö. következtetőgép, II. rész) ezeket a kijelentéseket. Ezenkívül azokban az esetekben, amikor a modellezett jelenség kísérletileg nem kezelhető, a következmények kidolgozásának logikai menete az egyetlen verifikálást segítő szempont.

B) Heurisztikus (tapasztalati) klasszifikáció

A heurisztika fogalmának részletes definíciója (II. rész) nélkül is – gyakorlatilag a szópár (heurisztikus klasszifikáció) önálló fogalomként értelmezése révén – e helyen érdemben kezelhető a klasszifikáció ezen formája:

A biztos klasszifikáció konkrét kiindulási adatokhoz (pl. növényi morfológia), konkrét következtetéseket (pl. fajmegnevezés) szállító gondolatmenetéhez képest a heurisztikus klasszifikáció absztrakt kiindulási feltételekhez rendel hozzá absztrakt következtetéseket, mint pl.:

HA a páciens közérzete rossz, AKKOR a páciens beteg.

A fenti szabályban sem a kiindulási feltételek (közérzet, rossz), sem a következtetés (beteg) nem kézzel fogható, mint pl. az alábbi szabályban:

HA a vérnyomás > ß és a XY-féle teszt pozitív és ... és ... és ..., AKKOR a páciensnek tuberkulózisa van, melyet így és így kell gyógyítani.

Az absztrakció szükségszerűsége a problémák komplexitásának növekedésével arányosan nő. A heurisztikus klasszifikáció az emberi problémamegoldás tipikus formája. Lehetővé teszi bonyolult problémák leírását, átlátását, leredukálását, rendszerezését. Egy-egy absztrakt fogalom olyan black-box-nak tartható, mely további kifejtésre szorul ahhoz, hogy gyakorlatias végkövetkeztetéseket kapjunk. A fekete dobozokkal való operálás az emberi intuíciós és asszociációs folyamatok magától értetődő kelléke, azonban gyakorlatilag egy tudományosan ellenőrizhetetlen területet jelent, mely nem annyira tartalmi helyessége, mint inkább asszociációt indukáló, illetőleg ellenőrző, tanító jellegű hatásai révén tekinthető hasznosnak. A heurisztikus klasszifikáció – fogalmainak jelentéstartalmától függetlenül – azonos sémáknak (pl. döntési mátrix) és törvényszerűségeknek kell, hogy alávesse magát, mint a biztos klasszifikáció.

26. ábra Heurisztikus klasszifikáció (Pohlmann nyomán)

58

C) Statisztikai klasszifikáció

A szakirodalomban szép számmal leírt statisztikai eljárások (diszkriminancia analízis, Cluster-analízis, stb.) adatigényük kielégítése után automatikusan vezetnek – többé-kevésbé szűk értelmezési tartományukon belül – eredményre. E tulajdonságuk mellett Pohlmann szerint azonban azt is ki kell emelni, hogy adatstruktúrájuk speciális jellege miatt kiértékelésüket követően a más módszerekkel való összehasonlító értékelés elől „védve” maradnak, s a drágán előállított kísérleti adatokat (pl. növénynemesítés, növénytermesztés) adattemetőkké degradálják.

D) Eset-alapú hasonlósági klasszifikáció

A szabály-alapú (biztos, heurisztikus) klasszifikációval szembe állítva jól lehatárolhatók azok a megoldási stratégiák, melyekben az eddig kezelt problémák és a hozzájuk tartozó megoldások közül azt a konkrét esetet kell kiválasztani, mely a leginkább hasonlít a most megoldandó problémára (vö. Anticipate and Avoid Planning). A leghasonlóbb ismert eset és a hozzátartozó megoldás kiválasztásával még nem zárult le a folyamat, hiszen minden, így az aktuális probléma is egyedi vonásokkal rendelkezik, melyhez még hozzá kell igazítani a hasonlósági alapon kiválasztott megoldást. Ez a módosítás önmagában is egy eset-alapú hasonlósági klasszifikáció, amennyiben a módosítás problémája kapcsán is rendelkezünk tapasztalatokkal (esetekkel), melyek alapján az aktuális módosítás mibenléte meghatározható.A klasszifikáció ezen típusánál a legnagyobb gondot értelemszerűen a hasonlóság fogalmának (eseti szinten, illetőleg a módosítás szintjén) meghatározása jelenti (pl. Cluster-analízis, Joker-program). Alkalmazási példaként itt az üzem-összehasonlítás esete említhető, melynek célja, hogy az üzemek közötti hasonlóság alapján az üzem működésének gyenge pontjaira lehessen következtetni.

27. ábra Hasonlósági klasszifikáció (Pohlmann nyomán)

E) Modell-alapú vagy funkcionális klasszifikáció

A címben feltüntetett típus a szimuláció analógiája, illetőleg a szimuláció során kidolgozott modellek alkalmazója (pl. modellek segítségével kiszámított normális és veszélyre utaló jelek alapján szabályozási akciókat rendel hozzá a kiindulási állapotokhoz (pl. gabonaszárító-berendezés, üvegház).

F) Tulajdonságlefedő klasszifikáció

59

A Reggia és Puppe nyomán kialakult terminológia értelmében tulajdonságlefedő klasszifikációról beszélünk, ha egy sok tulajdonsággal jellemezhető kiindulási szituációt az ismert megoldási stratégiák csak részben (bizonyos tulajdonságokból adódó következtetéseket igen, másokat nem) képesek kezelni. Ekkor az a legjobb megoldás, amely a probléma „legtöbb-legfontosabb” tulajdonságai kezelésével képes a következtetést meghozni.Ez a fajta klasszifikáció gyakorlatilag minden típust magába képes foglalni, hiszen maguk az alternatív megoldások olyanok, hogy csak a kiindulási helyzetek eltérő (más-más tulajdonságait kiemelten kezelő) mivoltuk révén különböztethetők meg egymástól.

28. ábra Tulajdonságlefedő klasszifikáció I. (Pohlmann nyomán)

29. ábra Tulajdonságlefedő klasszifikáció II. (Pohlmann nyomán)

G) Neuronális vagy abduktív klasszifikáció

Anélkül, hogy e helyen a neuronális hálók működési elveit részletezni kellene, kijelenthető, hogy bizonyos input-output (előzmény-következmény) esetek, mint mintázat megadása után – a most csak black-box-ként kezelt eljárás – képes a mintázatot megtanulni (reprodukálni). Az eredményül kapott összefüggés, noha tartalmilag sokszor visszafejthetetlen formában rögzíti a hozzárendeléseket, mégis nagy segítséget jelent tetszőleges (analóg) mintázatok kiértékelésekor (új inputhoz tartozó output). Az abdukció fogalma Peirce-től származik, s lényege a bizonytalan körülmények közötti következtetés lehetőségeit feszegeti. Míg az emberi szakértő deduktív módon (vagyis a lehetőségek bizonyosságából kiindulva „igen/nem” ill.

60

„van/nincs” alapon) jár el, mint ahogy ezt a döntési táblázat és a döntési fa is jól mutatja, addig az abdukció során a jelenségek folytonossága is figyelembe vehető.

DEDUKTÍV DÖNTÉSI MÁTRIX ABDUKTÍV MODELL

F(S1,S2,S3,S4,S5,S6)=EREDMÉNYS1 S2 S3 S4 S5 S6 EREDMÉNY0,4 0,0 0,4 0,6 0,2 0,3 0,80,1 0,4 0,5 0,4 0,2 0,0 0,10,5 0,1 0,3 0,1 0,7 0,9 0,40,7 0,2 0,5 0,4 0,2 0,1 0,90,2 0,9 0,0 0,2 0,4 0,9 0,50,6 0,2 0,1 0,5 0,4 0,4 0,2. . . . . . .. . . . . . .. . . . . . .

30. ábra Abduktív klasszifikáció (Pohlmann nyomán)

Mint az a fenti ábrán is látható egy 6 tulajdonsággal, s tulajdonságonként 10-10 opcióval leírható szituációs halmaz szabályok formájában történő kezelése 106 szabályt igényel szemben az abdukció során megállapított egyetlen numerikus függvénnyel. Amennyiben egy problémát a tulajdonságok és az ezeken belül értelmezett opciók számának redukálásával próbálunk megoldani, ez automatikusan a következtetések használhatóságának radikális csökkenéséhez vezet (vö. CNF, II. rész). Ezért nem mindegy tehát milyen módon értelmezzük a problémák kiindulási arculatát.Az abdukció logikája adja az alapot az automatikus összefüggés-keresést végző eljárások konstruálásához, melyek gyakorlatilag bármely probléma esetére megoldást képesek adni. Így újra felvetődik a GPS (General Problém Solver) lehetősége.

Itt kell megemlíteni azt is, hogy az ismert eljárások a mostani csoportosítás szerint több típusba is besorolhatók, rámutatva a leíró jellegű ismeretek óvatos kezelésének szükségszerűségére. Más megfogalmazásban egy-egy csoportosítás leginkább a heurisztikus klasszifikációnál ismertetett tulajdonságokra (asszociáció serkentő, intuíció támogató) enged következtetni.

6.2.3. Ellenőrző kérdések

Milyen érvek támasztják alá a megoldástípusok egységességét? Hogyan csoportosíthatók és jellemezhetők az egyes megoldástípusok?

61

7. Szaktanácsadás, mint az intuitív problémamegoldás intézményesült formája

Azon intézmények, rendezvények sokasága és elterjedtsége, melyek az élet legkülönbözőbb területein jelentkező gondok megoldásához nyújtanak tanácsot, minden kétséget kizáróan arra enged következtetni, hogy a ma emberének szüksége van a tanácsadásra, noha ezt nem szívesen valljuk be magunknak – írja Hage már 1964-ben. S a kijelentés ma fokozott mértékben igaz. Hiszen az előrejelzések szerint az információ fogalmához kapcsolódó tevékenységek a jövő egyik legnagyobb növekedési potenciállal rendelkező területét jelentik.

A tanácsadás során hozzájuthatunk a közösség tudásából azon elemekhez, melyek a már meglévő, személyes, aktuális problémáinkat feladatokká redukálják. Itt érdemes rövid lehatárolást tenni a képzés és a tudomány szorosan kapcsolódó fogalmai felé. A képzés szemben a tanácsadással a közösség felhalmozott tudásából előre bocsát rendelkezésünkre egy bizonyos mennyiséget, mely a leggyakoribb feladatok megoldására tesz minket képessé. A tudomány szerepe az új tudás előállítása illetőleg a meglévő ismeretek rendszerezése, hogy ennek bázisán létrejöhessen az a tudástranszfer, mely mindannyiunknak nélkülözhetetlen a problémamegoldásban.

Anélkül, hogy a szaktanácsadás szerteágazó problémakörei e helyen részletesen tárgyalásra kerülnének, a következőkben néhány érdekes, a (mezőgazdasági) szaktanácsadás mai értelmezés szerinti lényegét jól tükröző kijelentést, s ezekhez kapcsolódó gondolatokat szeretnék felsorakoztatni Boland nyomán azon vélemény alátámasztására, hogy a szubjektivizmus szaktanácsadásban uralkodó dominanciája (a hatékonyabbá tehető problémakezelés által létre jövő információs értéktöbblet okán) az objektivitás javára mérséklésre kerülhessen.

Itt a tanácsadásról szóló fejezetben a módszeres és intuitív fogalmak, anélkül, hogy azonnal definiálásra kerülnének gyakran előfordulnak. Definíciószerűen éppen az addig leírtak összefoglalásaként csak a pont végén (7.16.) kerülnek kifejtésre.

7.1. Központban az ember

A szaktanácsadás egy olyan tevékenység, mely célja segélynyújtás az önálló problémamegoldó-készség előmozdításához. A tanácsadás során elsődlegesen nem a konkrét problémát, hanem a problémával rendelkező szubjektumot, az embert kell a középpontba állítani.

Ezzel szemben a módszeres problémamegoldás nem ismer(het) mást, csak a problémát, (a feladatot), függetlenül ennek emberi dimenzióitól.

A szaktanácsadás ismeretanyaga alapvetően az ember-ember típusú kommunikáció törvényszerűségeinek feltárását, bemutatását célozza. Ennek megfelelően középpontba állítja az ember-ember közötti tudásátadás hatékonyságának növelését biztosító technikákat (a kommunikációt). Nem foglalkozik azonban az átadásra szánt tudás minőségével, vagyis azzal, hogy mennyire helyesen látjuk magát a valóságot, melyet végül is szubjektív célokat követve befolyásolni akarunk. Felmerül a gyanú, hogy a valósággal való tudatos szembenézés helyett bizonyos esetekben csak az amúgy is antagonisztikus célok utólagos átértelmezése, (vö. minden megoldáshoz lehet olyan célrendszert találni, melyben éppen ez a legjobb), vagyis egy önvédelmi jellegű (a pszichológiai stabilitást szolgáló kvázi-sikerélmény-gyártás) önigazolás történik.

7.2. Problémamegoldó-készségfejlesztés

A szaktanácsadó célja paradox módon önmaga feleslegessé válásának előmozdítása, vagyis a problémával rendelkező ember problémamegoldó-képességének tanulás útján való fokozása.

62

A módszeres problémamegoldás ugyan esetlegesen képessé tehető tanító jellegű effektusok végrehajtására (pl. szakértői rendszerek válaszai a „miért”, vagy „mi lenne, ha” kérdésekre), feladata azonban sokkal inkább a már egyszer gépi formában rögzített emberi képességek automatizált kivitelezése. Úgy is fogalmazhatnánk, hogy itt egy „agybővítő berendezésről” van szó, mely az intuitív módon megszerzett képességeinket tárolja, az intuíció számára teremtve ezáltal szabad erőforrásokat.

A szaktanácsadás többlete tehát a partnerek intuitív képességeinek (ténytöbblet –> új rendező elvek) bővülésében jelentkezik. Míg a módszeresség, az algoritmizáltság az intuitív szféra tehermentesítésével teremt új energiákat.

7.3. Személyre szabott tanács

A szaktanácsadónak a hozzáforduló gondolkodás módját át kell tudni érezni. A szaktanácsadás eredményessége ugyanis nagyban függ a személyes kontaktus minőségétől. A tanácsra szoruló nem feltétlenül kell, hogy mindent elfogadjon, megértsen, illetőleg úgy értsen, ahogy azt a tanácsadó gondolta. A tanácsadó feladata, hogy a problémával rendelkező ember személyiségének és ismeretanyagának megfelelő módot találjon a probléma feloldására. Az a szaktanácsadó, aki nem érti meg a segítségre szorulót (csak egy a saját maga számára helyesnek tűnő megoldásmenetet favorizál), vagy túlságosan hasonul a problémával rendelkező ember gondolkodásmódjához (elfogadja ördögi körnek a problémát felvázoló által kilátástalannak minősített helyzetet), nem képes hatékonyan segíteni a rászorulót. A tanácsadónak emellett azt is fel kell térképeznie, hogy a hozzáforduló eddig milyen megoldási utakat próbált ki, s ezek milyen eredményre vezettek. Így kerülhető el például az, hogy a problémával rendelkező által már kipróbált, s be nem vált utat javasolja kézenfekvő tanácsként a szakértő, s ezáltal a belé vetett bizalom csökkenjen.

A módszerek által szállított eredmények mindezek alapján ritkábban jelentenek direkt segítséget, hiszen itt tényekről, konkrét összefüggésekről, adott célstruktúra esetén a megoldások rangsorairól van szó, melyek úgy mond objektíven tudomásul veendők. Mivel azonban a valós problémák soha sem csak egy célt akarnak kielégíteni, hanem egymással sok esetben antagonisztikus célok sokaságát, ezért a fogadókészséget a problémával rendelkező ember pillanatnyi, s időben szélsőségesen változó célstruktúrájának milyensége alapvetően befolyásolja.

A módszeres vizsgálatok eredményeit mindig a felhasználó fogadókészségéhez kell igazítani. A felhasználói egyediség dominanciája miatt egy általános interpretáló szoftver (esetleges típushelyzetek kivételével) nem készíthető. Az interpretálás így kényszerűen emberi feladat marad (tanácsadás). A fogadókészség potenciáljának növelése az oktatás-képzés súlypontjainak módosításával is megteremthető. A módszerek által szállított eredmények tehát mindig további feldolgozáson kell, hogy átessenek, mely mindenképpen egy intuitív folyamatot tételez fel.

7.4. Általánosság és specifikum

A szaktanácsadónak nem feltétlenül egyedül és nem is azonnal kell megoldást találnia, de a problémával kapcsolatban alapos szaktudással kell rendelkezni. A megoldás megtalálásához vezető úton a tanácsot keresővel egyenrangú viszonyban kell, hogy álljon, hiszen a szaktanácsadó általános ismeretanyaga mindenképpen csak a problémával rendelkező „helyismeretével” kiegészítve vezethet eredményre.

Ez utóbbi kijelentés maximálisan igaz a módszeres megoldáskeresésre is. A módszerek, legyenek bármennyire rugalmasak, csak azt tudják kiértékelni, amit a konkrét helyzetről rendelkezésükre bocsátottak. Ezen észlelési skála szélessége, pontossága, probléma adekvátsága alapvetően befolyásolja a módszerektől várható eredmények helyességét. Az emberi és a gépi észlelési tartományok csak részlegesen fedik át egymást (pl. emberi látás <-> különböző spektrumú fényképek).

63

Az intuitív gondolkodásmód támogatásának ezért egyik alapeszköze az emberi érzékszervekkel nem észlelhető jelenségek észlelhetővé tétele (pl. mikroszkóp). A módszeres megközelítés elvileg tetszőleges jelek (analóg, digitális) feldolgozásával képes megbirkózni. Így az, ami emberileg még nem érzékelhető, s így nem is elemezhető, az gépileg minden nehézség nélkül hasznosítható, s fordítva. Következésképpen problémaspecifikusan egyik vagy másik észlelési tartomány rendelkezhet előnyökkel.

7.5. Félreértelmezhetőség

Semmi sem írható úgy le, ahogyan valóban történt, csak közelítőleg. A tanácsadónak figyelembe kell vennie, hogy az általa kimondott szavak csak nagyjából jelentik azt a hozzáforduló értelmezése szerint, mint amit ő valóban közölni akart. Így azon szavak használata, melyek magas fokú absztrakciót hordoznak magukban, jelentős félreértések, illetőleg az érthetetlenség forrása lehet (vö. heurisztikus klasszifikáció).

A módszerek általában számszerűen kifejezhető, többnyire mért adatokra alapoznak. Igaz magát a mérést is terhelik bizonytalanságok, de ezek nagyságrendje lényegesen alacsonyabb, mint a fogalmi szinten jelentkező anomáliáké.

Ezért a történések emberi fogalmakkal való jellemzése első megközelítésben egy kevesebb valóságelemet tartalmazó adat- és tudásbázisnak fogható fel, szemben a mérési eredmények, matematikailag kezelhető összefüggések halmazával. Másrészt azonban az emberi érzékelés olyan történések (komplex) észlelésére is képes, amelyek műszeresen nem vagy csak nehézkesen, ill. drágán reprodukálhatók. S mivel a problémamegoldás nem egy önmagáért való folyamat, így a helyesség mellett a gazdaságosság is fontos szerepet kell, hogy játsszon.

7.6. Részletesség

A tanács milyensége sokféle lehet: az egyszerű tények (információk) közlésétől a javasolt alternatíva részletes (idő, tér, eszköz, ...) cselekvési tervéig. Míg a szakértő a teljes skálát le tudja fedni ez esetben is, addig a gépi szolgáltatások konkrét kérdésekre adnak tényszerű választ (elemi probléma + válasz = információ?).

7.7. Kölcsönösség

A tanácsadás folyamatában a két partner (tanácsadó és a problémával rendelkező) a kommunikáció során egészíti ki ismereteit, s ezen új impulzusok alapján jut közelebb a megoldáshoz. A tanácsadó nem receptkönyv, ahonnan képletesen a megfelelő oldal fellapozása után minden problémára megkapható a helyes válasz. A tanácsadó olyan egyén, aki a problémával rendelkezőhöz képest általánosabb érvényű tudással rendelkezik, melyet megpróbál a kérdező konkrét esetére alkalmazni, ill. ötleteket adni motiválni.

A módszerek alaplogikája tökéletesen egyezik a tanácsadóéval. Általános érvényű összefüggések birtokában igyekeznek a módszerek is a konkrét helyzetre érvényes választ megadni. Az algoritmus új tények feldolgozása révén képes az általánosító összefüggést, s így a válaszokat is módosítani.

A tanácsadó és egy-egy módszer között az általánosítóképesség mértéke szerint különbséget lehet tenni. Mint már annyiszor, itt is megállapítható, hogy egyik fél sem jobb kényszerűen, mint a másik, illetőleg mindkettő más-más területen (asszociáció vs. alaposság) rendelkezik előnyökkel.

7.8. Tartalom és forma

A tanácsadásnak, mint kommunikációs folyamatnak egyszerre van tartalmi és formai aspektusa. A tartalmi aspektus közvetíti az adatokat, míg a formai aspektus az adatok feldolgozásával kapcsolatos utasításokat

64

(„Igazgyöngysor? – kérdezhetné egyik hölgy a másiktól, s attól függően, milyen a kérdéshez hozzáfűzött hangsúly, a mimika, mást és mást fejezne ki a kérdés, pl. csodálatot, hitetlenkedést”).

Ez a kettősség jellemzi számítógépek konstruálásának folyamatát is. Például két szám összeszorzása, mint parancs esetében nem elegendő a két számot (adat=tartalom) megadni, hanem a kettő közötti kapcsolatot (forma, viszony) is le kell tudni írni. Az információról szóló információ (metainformáció) egy magasabb hierarchiai szinthez tartozik, azaz a tartalmi és formai keveredés értelmetlen eredményre vezet.

A módszeres problémamegoldás által szállított eredmények a fentiek értelmében csak adatok (tartalom) lehetnek. Ezek értelmezéséhez, érdemi alkalmazásához legalább a tanácsadó, de lehetőség szerint a kérdező is kell, hogy azon metainformációkat birtokolja, amelyek választ adnak arra a kérdésre, mi is kezdhető a kilistázott számokkal. Egy-egy tananyag feladata többek között e metainformációk (szemléletmód) közvetítése.

7.9. Kölcsönhatás

A kommunikáció (tanácsadás) reflexív folyamata három dimenzióval rendelkezik: idő-, dologi és szociális dimenzióval.

Az idődimenzió azt jelenti, hogy a kommunikáció eddigi eredménye a kommunikáció további folyamatára visszahat és ezáltal új struktúrákat fejleszt ki a folyamat során. A dologi dimenzió szerint a kommunikáció nem más, mint az interakciók kezelésének a folyamata. A szociális dimenzió az interakciók kölcsönösségét mondja ki. A tanácsadás (kommunikáció) az emberi problémamegoldás olyan formája, mely az interakciók kezelésének képességére alapozva az idő múlásával új kapcsolatformákhoz (javuló problémamegoldó-képességhez) vezet.

A módszeres problémamegoldás (összefüggés-keresés) az előzőek analógiájára a megoldást megtestesítő függvény-komplexum problémaspecifikus szerkezetében hozza létre a célok-lehetőségek-adottságok egymásra hatásainak kezelése révén az általánosításra képes tudásformát, hasonlóan a már sejt szinten megfigyelhető genetikai (RNS, DNS, fehérje) információátadáshoz.

Ez a talán első olvasásra kissé nehézkesnek tűnő analógia szemléletesen jelzi az emberi intuíció és az asszociáció korlátlanságát, formalizálhatóságát.

7.10. Látszatigazságok

A konstruktivizmus tanai szerint a reflexivitás az élővilág, sőt a matematika rendjének alapját is jelenti. A konstruktivizmus egyik alapgondolata, hogy a valóság nem ismerhető ki, csak utánozható. Így egy zár esetében a valódi és az álkulcsról a zárszerkezet ismerete nélkül nem dönthető el, melyik az igazi. Popper ezzel kapcsolatban a tapasztalat útján való ellenőrzés korlátairól beszél.

E tanok – kiegészítve Heisenberg azon gondolatával, miszerint nem lehet egyszerre minden dimenziót tetszőleges pontossággal mérni – egyenesen vezetnek ahhoz a kijelentéshez, hogy a problémamegoldásban központi szerepet játszó összefüggés-keresés esetén nem definiálható a helyes modell kritériumrendszere.

65

A tanácsadó, illetőleg a módszerek teljesítményének értékelését nehezíti, hogy a „mi lett volna, ha” kérdésre ritkán (kísérletileg) lehet választ kapni. Ezért vagy a tanácsadó vagy a tanácsot kérő cselekvési alternatívája nem értékelhető reálisan, s emiatt a kockázat fogalma kényszerűen szubjektív elemekkel terhelődik. Következésképpen csak az eddigi, korlátozott számú esetre vonatkoztatva lehet a valóságképünket ellenőrizni. Ezért nem előnyös hosszú távon az eddig hibamentes összefüggésre hagyatkozni. Más oldalról az egyszer már meghozott döntés a jövőbeli alternatívák halmazát jelentősen befolyásolja, hiszen egy megkezdett út csak nagy erőfeszítések árán válik visszafordíthatóvá, ha nem kényszerűen irreverzíbilis a helyzet (vízlépcsőépítés).

7.11. Ok-okozatiság

Az ok-okozati összefüggések utáni kutatás az ember veleszületett tulajdonsága. Az ember mindig megkísérli a jelenségeket – ezeket rekonstruálni képes – összefüggések formájában értelmezni, mintha a dolgok „nem-értése” egyensúlyzavart váltana ki bennünk, amit az ismeretek újra rendezése révén igyekszünk csökkenteni. A parapszichológiát, mint a tudományosan megmagyarázhatatlan jelenségekre magyarázatot kereső tevékenységet szemlélve felvetődik a kérdés: Az ok váltotta-e ki valóban a hatást, vagy pedig a hatásból következik az ok? Az ok-okozat felcserélődésének effektusa kísérletileg is kimutatható. Híres példa erre a Rosenthal kísérleteiből ismert Pygmalion-effektus, mely szerint egy tanuló eredménye a tanár tanulóról alkotott véleményétől nagy mértékben függ. Tehát a tanári véleménynek (hatás) nem a teljesítmény az oka, hanem a teljesítmény (ok) válik függővé az „elő”ítélettől (hatás). Hasonló „ördögi kör” figyelhető meg az alábbi esetben is: Azt gondoltam, ha azt mondom, amit valóban gondolok, akkor azt úgy is félreértik, tehát mást mondok, mint amit gondolok (vö. kettős ügynök dilemmája, huszonkettes csapdája, stb.) . Az előítéletek így sok furcsa hatást okozói lehetnek (vö. önmagát beváltó prognózisok: jóslat egy autóbalesetről, mely végül is azért következik be, mert a jóslatot ismerő lelkiállapota a jóslat hatására megváltozik, koncentrációja csökken, s hibázik vezetés közben).

A módszeres problémamegoldás ezzel szemben – feltételezve, hogy maguk a bemenő adatok nem kerülnek manipulálásra, csak mérési hibák terhelik – valóban csak a valóságra koncentrál, s ilyeténképpen az előzőekben emlegetett tartalmi effektus mellett, a formai effektus a szubjektum (alkalmazó, tanácsadó) szintjére tevődik át.

A tanácsadás folyamata következésképpen csak akkor sikeres, ha az ilyen típusú csapdák kivédhetők. Ennek alapja a bizalom. Csak valósághűen bemutatott problémát lehet helyesen megoldani. A helyzet hasonló az érdekvédelmi szervezetek által, illetőleg a gazdálkodóknál saját hatáskörben begyűjtött adatok feldolgozásakor (mérlegek) is. Hiszen pl. politikai síkon, vagy a pénzintézetekkel, hatóságokkal szembeni érdekérvényesítés egyik alapvető játékszabálya, hogy mindig olyat mondj (jövedelem), amire a válaszreakció (adó) olyan, hogy te járj jól. Persze a válaszreakcióba épp úgy belekalkulálják a téves közlést, s előre kompenzálnak. Az értelmetlen helyzet csak az összes érintett egyidejű stratégiaváltásával védhető ki. (vö. Hankiss).

7.12. Tudatosság

A tanácsot kérőnek saját problémájával érdemben tudnia kell szembesülni, azaz a tanácsadó által felkínált helyes megoldást fel kell tudnia ismerni.

Hasonló pozitív és motivált magatartás várandó el módszeres problémamegoldások esetén is. Az eredményekkel szembeni averzió a sikertelenség egyik forrása (pl. takarmányadag optimalizáláskor kézi számítással vagy számítógéppel ugyanaz a műveletsor kerül elvégzésre, mégis a gazdák egy része a kézi végrehajtást hiszi hitelesebbnek, míg egy másik csoport éppen a gépi műveletvégzésben bízik meg jobban).

66

A motiváltság nagyban függ a problémával rendelkező személyiségétől, ismeretanyagától. Ami már ismert, arra szívesebben hagyatkozunk, mint az újdonságra. Így az oktatás-képzés tartalma és hitelessége fontos szerepet játszik abban, mit tartunk a későbbiekben hitelesnek, megbízhatónak. (innovációs kultúra) Az oktatás-képzés tartalmának állandó korszerűsítése egyrészt pozitív hatású a valóban hasznos ismeretek köztudatba való gyorsabb bevitele révén. Másrészt azonban pl. a generációs különbségek fokozásával az együttműködés alapjait veszélyezteti.

7.13. Kockázatmegosztás

Mindig a problémával rendelkező egyénnek kell a végső döntést meghoznia, s ennek megfelelő cselekvést véghez vinnie, hiszen a tanácsadó az őt felkereső helyzetét, személyiségét, rejtett vagy tudatosan ki nem mondott motivációit soha nem képes tökéletesen kiismerni. A tanácsadó felelőssége és kockázatvállalása abban rejlik, hogy mennyire részletes és pontos következményképet fest az egyes cselekvési alternatívákról. A tanácsadó tehát nem a döntés helyességéért, hanem a megoldási alternatívákhoz tartozó következmények előrejelzési pontosságáért kell, hogy felelősséget vállaljon. S pont ez az a terület, amely intuitív stratégia esetén nehezen támogatható adatokkal. A szakértői előrejelzések pontosságával kapcsolatban kevés feljegyzés születik.

Ellentétben ezzel, a módszeres problémamegoldás már az alkalmazást megelőző fázisban (teszt) kiértékelhető, s így a tévedés kockázata előre, közelítőleg ismert.

Ennek alapján a módszeres problémamegoldás mellett hosszú távon kitartva, kalkulálható mértékű tévedéssel, kockázattal lehet számolni. A tanácsadó esetében azonban a felhasználó szemében minden tanács egyformán bizonytalan értékű.

7.14. Tömegtájékoztatás

A tanácsadás klasszikus formái az egyéni illetőleg a csoportos tanácsadás. Amennyiben a csoport problémáját tekintve nem homogén, úgy nem beszélhetünk a továbbiakban tanácsadásról, hanem csak tömegtájékoztatásról. A tömegtájékoztatásban a módszeresen levezetett prognózisoknak (jövőképeknek) hasznosan terjeszthetők lennének.

Hasonló jelenségként lehet a mai tömegtájékoztatásból az időjárás-előrejelzéseket értelmezni, melyek rengeteg napi döntés mozgatórúgójaként foghatók fel (esernyő, esőkabát, közlekedési eszköz, úti cél, stb.).

Ennek analógiájára felmerül egy olyan automatikus és általános prognosztikai rendszer felállításának gondolata, mely a ma adathordozókon rögzített idősorok jövőbeli értékeit próbálja megadni (időinformatika). Az későbbiekben bemutatásra kerülő módszerek alapján ez a lehetőség ma már nem irreális.

7.15. Motiváció

A tanácsadás célja a problémával rendelkező egyén pszichológiai egyensúlyának helyreállítása. Ennek egyik pozitív tényezője lehet a várható kockázatok ismerete, mely ellenőrzötten csak a módszeres problémamegoldás esetében adható meg. Egy másik pszichológiai pozitívum lehet a tipizálás probléma-leegyszerűsítő jellege, vagyis az, hogy a konkrét, egyedülinek, s megoldhatatlannak hitt eset már máshol is előfordult, s kezelhető volt. Ez az effektus sajnos a legtöbbször a hiányos adatbázisok következtében a módszeres problémamegoldásnál inkább csak elméleti, mint sem valós előny. Az intuitív megközelítés azonban a lehetséges megoldásmódok keresése kapcsán a „minden mindennel összefügg” és „mindig találhatók analógiák” gondolatok mögött megbújó érvekkel a fent említett előny egy részét kiaknázhatja. A túlzott komplexitás felvázolása ismét csak nem kívánt magatartásformák (pl. letargia) fellépését válthatja ki. Negatívumként értelmezendő a nem kívánt jelenségek bekövetkezésének ismerete (pl. elkerülhetetlen

67

gazdasági csőd, illetőleg extrém esetként a halál nagy pontossággal várható időpontja, stb.). Kérdéses, hogy a meg nem változtatható helyzetek bekövetkezésének előzetes ismerete hasznos-e, szemben a reálisan kezelhető problémák kihívásként is felfogható előrevetítésével.

7.16. Összegzés

Az intuitív problémamegoldás, mint fogalom nem azt tételezi fel, hogy ez esetben állandóan rendezetlen, véletlenszerű ugrásokkal jutunk el a megoldáshoz, hanem csak azt, hogy itt egy, az emberre specifikusan jellemző, az emberi észlelésre és asszociációs folyamatokra támaszkodó, nehezen modellezhető, nem reprodukálható jelenséggel állunk szemben.

A módszeres, formalizált, vagy gépi megközelítés pedig azt jelenti, hogy egy valamikor emberek által kitalált, gépileg elvégezhető keresési algoritmust alkalmazunk, bonyolult és hatalmas méretű megoldáshalmaz kiértékelésére.

Az ember ugyanis önvédelmi és energetikai okokból hajlamos egyszerű – csak néhány tényezőt és rövid időtávot lefedő – modellekben gondolkodni, melyek nagyszerűsége a meghatározó tényezők és a kapcsolódó összefüggések célszerű szelekciójában rejlik.

A problémával rendelkezőnek meg kellene értenie, hogy a problémák szubjektív vonatkozásaitól függetlenül objektív valóságelemek is léteznek, melyek jövőbeli alakulásáról kell először a döntési folyamat, a tanácsadás, illetőleg a tömegtájékoztatás keretében képet alkotni ahhoz, hogy ennek birtokában a második fázisban megszülethessen a szubjektív rangsor a preferált és negatívnak vélt változásokról, s az ezeket kiváltó utakról.

A szaktanácsadó által felvázolt jövőkép pontossága problémától függően lehet jobb, de gyengébb is, mint a módszeresen levezetetté. A tanácsadó feladata, hogy saját képességeit jól felmérve ott keressen támogatást a módszerekben, ahol arra szüksége van. Ennek alapfeltétele, hogy minden ember dokumentálja saját jövőképei és a mindenkori valóság eltéréseit.

A tanácsadó feladata szemben a képzéssel, oktatással elsődlegesen tehát nem az, hogy bizonyos megoldási módok (módszerek) tekintetében meggyőzze a hozzáfordulót ezek lehetőségeiről, képességeiről, hanem az, hogy az alternatív megoldási utakat és ezek következményeit a lehetséges céloknak megfelelően minél pontosabban feltárja, s a kérdező személyiségéhez illő formába hozva átadja. Módszeres problémamegoldás így nem létezhet a klasszikus értelemben vett tanácsadás nélkül. A tanácsadás ismeretanyaga azonban mindenképpen kiegészítendő az intuíció és a módszeresség viszonyát taglaló gondolatokkal. Hiszen csak a két egymást kiegészíteni képes eszköz együttes használata vezethet a problémamegoldás hatékonyságának növeléséhez.

7.17. Ellenőrző kérdések

Hogyan definiálható az intuitív és a módszeres problémamegoldás lényege? Milyen felelősség terheli a döntéshozót és milyen a tanácsadót? Milyen előnyei és hátrányai vannak az intuitív és módszeres megközelítéseknek?

68

8. Rendszerelméleti megközelítés

A következőkben Berg és Kuhlmann gondolatai nyomán a problémamegoldásban központi szereppel rendelkező összefüggés-keresés problematikája kerül a rendszerelmélet szemszögéből bemutatásra.

8.1. Előrejelzés és tudatosság

A biológiai, illetőleg a társadalmi-gazdasági rendszerek komplexitása és jelenségeinek időtől való függősége révén minden – valamely cél elérése érdekében – e rendszerekbe történő emberi beavatkozás csak nehezen átlátható, s bizonyos esetekben csak hosszabb távon jelentkező következményekhez vezet. E tényből származtatható az olyan segédeszközök utáni vágyakozás, melyek a komplex következmények felismerését, pontosabb kiértékelését időben minél hamarabb lehetővé teszik. Ennek okán vált a modellezés a tudományok alapeszközévé. A tudatosan kutató ember az általa vizsgált rendszerek, alrendszerek leképezéseként verbális, grafikus, fizikai és végezetül matematikai (formalizált) modelleket konstruál, melyek segítségével tanulmányozhatja a dinamikus rendszerek reakcióit, interdependenciáit, különös tekintettel ezen rendszerek külső (emberi) behatásra bekövetkező változásainak előrejelzésére. Az ember tehát előrejelzések nélkül nem képes céltudatosan cselekedni.

8.2. Analógia és rendszerelvűség

A rendszerekben való gondolkodást a legkülönbözőbb tudományágak vallhatják magukénak. Közös bennük mégis az, hogy valóság változásainak magyarázatára a klasszikus egy tényezőre visszavezetett ok-okozati összefüggéseket nem tartják kielégítőnek. A cél – Bertalanffy és Boulding rendszerelméletet megalapozó gondolatai nyomán – az egyre átfogóbb koncepciók megalkotása, szemben az eddigi izolált, egysíkú nézőponttal (ceteris paribus). A rendszerelmélet alapgondolata: hogyan lehet a fizikai megjelenésüket tekintve teljesen különböző jelenségeket (rendszereket) egységes elvek alapján kutatni úgy, hogy az egyik helyen felfedezett összefüggések más problémák megoldására is termékenyítőleg hathassanak. (Boulding példáját idézve, a növekedési problémák specialistája hatékonyabban képes egy konkrét esetet vizsgálni, ha egyidejűleg a más területeken – kristályok, vírusok, sejtek, társadalmak, gazdaságok – jelentkező növekedési problémákban rejlő analógiákat is ismeri.)

8.3. Kibernetikai rendszerek

A valós rendszerek, így a velük kapcsolatban felmerülő valós problémák is egyrészt dinamikusak, vagyis időtől függőek. Statikus helyzet gyakorlatilag nincs. (Nem lehet kétszer ugyan abba a folyóba lépni – így hangzik az ismert kijelentés már több ezer éve.) Másrészt az univerzum, mint a létező (feltételezetten) teljes valóság zárt rendszer, azaz nincs környezete.

Az emberi – célok által vezérelt – megfigyelés szelektív. Csak arra koncentrál, ami feltétlenül fontosnak látszik. Így alakul ki az emberi agyban az a képzet, hogy vannak szorosabban, illetőleg kevésbé szorosan összefüggő valóságelemek, melyeket azután az univerzum alrendszereinek (sőt a megfigyelő szempontjából nézve egyszerűen csak rendszernek, s fennmaradó valóságot pedig környezetnek) nevezünk el. Ezek a rendszerek értelemszerűen már nyitottak, hiszen van környezetük.

A zárt rendszerekre igaz, hogy időben következő (t1) állapot csak a megelőző (t0) állapot függvénye, míg a nyílt rendszereknél egy adott (t0) állapotból a környezeti hatások alakulásától függően más és más végállapotba (t1,...,n) juthat a rendszer. Másrészt egy adott végső állapot (t1) különböző (t0,...,m) kiindulási állapotokból is elérhető.

69

A nyitott, dinamikus rendszerek speciális eseteit jelentik a kibernetikai rendszerek, (pl. az élőlények, gazdálkodó szervezetek), melyek környezetük változásaira állandó alkalmazkodással reagálnak, vagyis megkísérlik a saját szempontjukból preferált állapotot hosszú távon a visszacsatolásos szabályozás révén stabilizálni. Következésképpen az emberi problémák mindegyike kibernetikai rendszerekre vonatkozó probléma. Hiszen maga az ember is egy ilyen rendszer.

8.4. Konkurens fogalmak

8.4.1. Szubjektív (hagyományos) megközelítés

A kibernetikai rendszerek jellemzőit a következőkben lehet felsorolni. Egy problémát hordozó rendszert ellenőrizhető, befolyásolható, illetőleg nem befolyásolható, (pl. környezeti) hatások érhetnek. Ezek a rendszerparaméterektől függő állapotokhoz, ill. outputokhoz vezetnek (31. ábra).

befolyásolható inputok állapotoknem befolyásolható inputok rendszer rendszer-rendszerparaméterek outputok

31. ábra A kibernetikai modell elemei (Berg és Kuhlmann nyomán)

A befolyásolható és a nem befolyásolható inputok csak emberi szempontból különböznek egymástól. Így befolyásolható az az input, mely megváltoztatása módunkban áll (műtrágyaadag <-> időjárás). Rendszerparaméter alatt értendők azon tulajdonságok, melyek – ismét csak szubjektív módon – a megfigyelés ideje alatt konstansnak tarthatók (pl. földrajzi fekvés, talajadottságok). Itt kell kitérni a káosz jelenségének vizsgálata kapcsán felmerült azon ismeretre, mely szerint apró, jelentéktelennek tűnő változások a jövő szempontjából lényegesek lehetnek (pl. egy perc késés a repülőtérre vezető úton a lezuhanástól menthet meg valakit, aki később fontos döntésekkel befolyásolhatja a történelmet.) Következésképpen olyan, mint konstans tényező nincs, illetőleg ilyen érvekre támaszkodva tudatosan, s beláthatatlan mértékben torzítunk a modelleken. Ennek oka zömmel nem az önkényesség, hanem az adatgyűjtés korlátozottságában és költségeiben keresendő. Az állapotok fogalmába tartozik minden, ami a rendszer kapcsolatban megfigyelhető (pl. a rendszerelemek tulajdonságainak értékei). Outputként foghatók fel azok a jelenségek, melyek az ember által önkényesen megadott rendszert elhagyják (pl. betakarított termények). Az outputok állapotváltozásként is definiálhatók.

8.4.2. Objektív (modern) megközelítés

Talán már az eddigiekből is érezhető, hogy a fenti csoportosítás az emberi szubjektivitás minden jegyét magán viseli. Kezdve magának a nyitott rendszernek a definiálásától, a befolyásolható/nem befolyásolható, illetőleg a konstans/változó felosztáson át, az állapotok és állapotváltozások némileg mesterkélt szétválasztásáig.

A módszeres problémamegoldás az előbb felsorolt kategóriákból csak a tényező (attribútum), az állapot és a változás fogalmakat ismeri el. Következésképpen minden mérhető, megfigyelhető, észlelhető jelenség egy-egy tényező (attribútum). S attól függően, hogy a róla rendelkezésre álló adat időben hol helyezkedik el a többihez képest, beszélhetünk inputról (azaz időben valamit megelőző) és outputról (azaz időben valamit követő) tapasztalatról (állapotról). Az inputból az outputba való átmenet, vagyis az állapotváltozás a rendszerben ható összefüggések milyenségének tükröződése. S pontosan ez a leegyszerűsítés teszi lehetővé a rendszer összefüggéseinek módszeres rekonstruálását, illetőleg a viselkedésében hasonló matematikai (formalizált) rendszer létrehozását.

70

8.5. Konkurens feladatok

8.5.1. Rendszerelemzés – Szabályozás – Rendszertervezés

A rendszerekkel kapcsolatban – a szubjektív fogalmi készletet (l. 31. ábra) alapul véve – három különböző kérdésfeltevés (tevékenység) definiálható (l. 32. ábra).

tevékenységek inputok paraméterek állapotok/outputokrendszerelemzés adott adott keresettszabályozás keresett adott adottrendszertervezés adott keresett adott

32. ábra Rendszerelemzés-szabályozás-tervezés (Berg és Kuhlmann nyomán)

A rendszerelemzés tehát arra a kérdésre keresi a választ, hogyan reagál a rendszer bizonyos külső beavatkozásokra. A szabályozás ennek inverze, vagyis mit kell tenni bizonyos outputok elérése érdekében. A rendszertervezés kérdése pedig úgy hangzik, milyen elemeket, milyen összefüggésbe kell hozni egymással, hogy adott szabályozó eszközökkel a kívánt hatást érhessük el. Tehát ez esetben még nem létező struktúrák létrehozásáról van szó (pl. repülőgép-konstrukció).

8.5.2. Modellezés

A módszeres probléma-megközelítés – hasonlóan a fogalmakhoz, a feladatok esetében – egyszerűsítésre törekszik. A központi kérdés (vö. 6.1.3.) nem más, minthogy, melyik az a matematikai (formalizált) rendszer, amely képes egy adott célnak megfelelni. Cél alatt értendő bármely hiányzó ismeret (input/paraméter/output) előállítása a megadott feltételek egyidejű elfogadása mellett. Végső soron tehát mindig magát a rendszert, a maga teljességében (zártságában) kell értelmezni, modellezni tudni, függetlenül a konkrét felhasználástól. Így lényegében csak rendszertervezési (modellezési) probléma van, hiszen abban az esetben amikor a valós rendszereken kísérletek végezhetők el, akkor a konkrét problémának megfelelő eseteket kell csak a végrehajtani és megfigyelni, mi történik. Ezzel le is zárható a rendszerelemzés és szabályozás „mit-minek érdekében” típusú hozzárendelési problémájának megoldása. A valódi gond mindig akkor jelentkezik, ha a valós rendszeren nem, vagy csak lassan, illetőleg drágán végezhetők el a lényegi ismereteket magukba foglaló tények megszerzéséhez szükséges kísérletek. Ekkor a már eddig megfigyelt, korlátozott számú akció-reakció párok alapján kell a rendszert rekonstruálni és viselkedését eddig ismeretlen körülmények között a modell alapján vizsgálni.

Dinamikus és zárt rendszerek modellezéseA fogalmi kör leszűkítése tényezőkre és állapotváltozásokra a továbbiakban azt is magában hordja, hogy

az ilyeténképpen definiált rendszerek már zárt rendszerek, hiszen nem teszünk különbséget környezet és tulajdonképpeni rendszer között. Ez azt is jelenti, hogy olyan összefüggéseket kell keresnünk, melyekben rengeteg változó egyidejű összefüggéseit lehet kezelni, vagyis az alapséma nem más, minthogy keressük a rendszerben azonosított elemek (változók) eddigi állapotai alapján az időben következő, tényezőnkénti állapotokat. Ez egyszerűen fogalmazva egyetlen egy függvényt jelent, mégpedig az idő múlásának függvényét. (Kicsit előreszaladva, s a megoldási technikák ismertetését átugorva ezen a helyen röviden meg kell említeni azt is, hogy ez a bizonyos időfüggvény nem csak azon alakban kell, hogy létezzen, amely megmondja egy tetszőleges időtartam elteltével várható rendszerállapotokat, hanem fordítva is, kvázi kontrollösszefüggésként: Mennyi időnek kell eltelnie, hogy bizonyos változások bekövetkezzenek?)

KomplexitásA modellezés első lépése, mint ahogy magának a problémának a keletkezése is emberhez kötött. Az embernek szüksége van problémái megoldásához egy az eddigi ismereteit (tapasztalatait) tömöríteni, rendszerbe foglaltan kezelni képes modellre, amely feltehetően lehetővé teszi számára a már nem fontos esetek, tényszerű ismeretek szelektálását, hiszen ezek a tömörítő, archiváló modell segítségével bármikor, a modell helyességének megfelelő pontossággal rekonstruálhatók. Másrészt a gondolati modell olyan leegyszerűsítéseket is magával hoz, melyek – ismét csak megfelelve az emberi szelektív megfigyelésre

71

vonatkozó tapasztalatoknak – lehetővé teszik a viszonylag gyors és hatékony helyzetértelmezést, a valóságban nagy komplexitású rendszerek és összefüggéseik kezelését.

33. ábra A modellezés fázisai (Berg és Kuhlmann nyomán)

A modellezés első lépése tehát a valóság emberi, szubjektív mindennapos, többnyire öntudatlan leképezése, újraértelmezése (implicit modell), melyet második lépében a tudományos, tudatosan készített és ellenőrzött (explicit) modell követhet. A modellek helyessége magától értetődően befolyásolja a problémamegoldás sikerességét, ezért érdemes e zömmel nem tudatos (intuitív) tevékenységnek nagyobb figyelmet szenteli. Hiszen az itt elkövetett hibák – mert nem is tudatosodnak – nem javíthatók, s így végig kísérik, gátlóan lassítják az emberiség kultúra-ismeret-tudás-felhalmozásának egész folyamatát.

GondolatkísérletTalán érdemes eljátszani e helyen azzal a gondolattal, hogy a fajok evolúciójában az ember intuitív képességei feltehetően a legjobbak, de ez a szint csak az egyéb élőlényekkel szemben jelent „tökéletességet”, versenyelőnyt az erőforrások, életterek birtoklásában, s nem a valóság komplexitásához mérten. Ismét csak feltehető, hogy minél komplexebbé válik a társadalmasodás (pl. a gazdasági verseny erőteljes szervező ereje révén), annál inkább szükség lesz a természetes evolúcióban a konkurens fajok által még nem, de a fajon belüli rangsorharc, illetőleg a környezeti problémák tudatosodásával már szükségszerűen kikényszerített képességfejlődésre, vagyis a komplexitás kezelésében egy új fok elérésére. Feltehető az is, hogy az emberi agy biológiája megszabja a komplexitás-kezelés tartósan rendelkezésre álló felső határát, mely genetikai manipuláció nélkül jelentősen, s főleg társadalmi (átlagos) szinten nem bővíthető. Az említett genetikai manipuláció kidolgozása pedig pont az emberi komplexitáskezelő-képesség korlátozottsága miatt látszik lehetetlennek, hiszen az emberi szervezetnél (agynál) kevésbé komplikált dolgok megértése is gondot okoz még az embernek. Így az ördöginek is nevezhető kör egyfajta stabilitást teremt, hacsak a nem intern (genetikai), hanem extern (gépi) úton történő képességbővülés nem jelenti egy minőségileg új pálya kezdetét. Fogadjuk el egy pillanatra e messzire vezető kijelentést igaznak, még akkor is csak addig jutnánk el, hogy bizonytalan és változékony emberi célokat a világ egyre jobb kiismerése révén egyre finomabban, kevesebb nem kívánt változást előidézve tudnánk elérni. Ez persze önmagában is nagy eredmény lenne (pl. környezetvédelem vs. energiaigény), de nem oldaná fel a célok, s ezáltal a cselekedetek antagonizmusát.

CélzatosságVisszatérve egy kevésbé absztrakt gondolati síkra beszélnünk kell még a modellezésben megfigyelhető célzatosság problematikájáról. Mint már kifejtésre került, a problémák, így az ezek megoldása érdekében létrejövő modellek is, emberi célok mentén születnek meg. A célok és a modelltípusok tekintetében két nagy áramlatot lehet elkülöníteni: a magyarázó (white-box) és az előrejelző (black-box) modelleket.

72

cél összefüggések magyarázata rendszerviselkedés előrejelzésekövetelmény szerkezeti egybeesés a

valósággala valósággal megegyező viselkedés biztosítása

megoldás szerkezeti modell, white box magatartásmodell, black-box34. ábra Black and white (Berg és Kuhlmann nyomán)

Az adott pontosságú előrejelzés több, szerkezetileg egymástól eltérő modellel is elérhetők. Ebből következően minden szerkezeti modell egyben előrejelző modell is, míg fordítva nem. Visszagondolva azonban a második fejezetben a „zár és kulcsai” problémára az is kijelenthető, hogy szerkezeti modell, mint olyan nem létezik, hiszen csak a tapasztalat útján való egyezőség vizsgálható, ami nem más, mint az előrejelző modellek követelménye.

Ennek kapcsán érdekes az a tény is, hogy az úgy nevezett szerkezeti modellek előrejelzési pontossága ritkán éri csak el a magatartásmodellek (előrejelző modellek) szintjét. Másként fogalmazva: ellentmondáshoz vezet az a kijelentés, mely szerint, az úgy nevezett parametrizált szerkezeti modellek, melyek általában ok-okozatilag igazak tűnnek, egy konkrét objektumra a paraméterek változtatásával adaptálhatók. Az adaptáció során ugyanis a lehetséges paraméterkombinációk sokasága vezethet azonos pontossági szintre, nem beszélve a majdhogynem tetszőleges pontossági szintek okozta problémáról. Így nem dönthető el soha, hogy melyik konkrét modell (paraméter-kiosztás) a legjobb. Vagyis addig amíg a legjobb modellnek ill. a modellek rangsorának nincs egzakt definíciója a szerkezeti modellek az alkalmazás szintjén kényszerűen előrejelző modellekké válnak.

BonyolultságAmennyiben létrehozunk két modellt ugyanazon rendszer jellemzésére, akkor a tapasztalatok alapján úgy tűnik, hogy a magasabb absztrakciós szinten álló (bonyolultabb) modell eredményei az emberi gondolkodás számára szinte semmi segítséget nem jelentenek a problémával kapcsolatos intuitív készségek fejlesztésében (hiszen éppen azért van szükség a komplex modellre az adott formában, mert az átlagos emberi képzelőerő határát elértük). Az is igaz azonban, hogy a komplexebb modellnek csak akkor van létjogosultsága, ha az általa megadott prognózisok a tapasztalatok szerint pontosabbak, mint az egyszerűbb, de emberileg áttekinthetőbb modell eredményei. Így tehát a komplexebb modell az egyszerűbbel szembeni nagyobb beválási aránya alapján nyerhet létjogosultságot. Együtt kell élni azzal a paradoxonnal, hogy azon modellek, melyeket még képesek vagyunk átlátni, nem elég pontosak, amelyek pedig ennél pontosabbak, azokat már nem tudjuk befogadni.Ettől függetlenül mégis értelmes azt firtatni, hogy mennyire legyen komplex egy modell. Ugyanis a tapasztalatok azt mutatják, hogy nem lehet egyszerre tetszőleges számú és jellegű változót azonos pontossággal kezelni. Más megfogalmazásban: A feltételezett hatásmechanizmusokat tükröző ok-okozati, vagy szerkezeti pontossággal szembeni növekvő elvárások a viselkedésbeli pontosság maximumának határt szabnak. A pragmatikus kérdés úgy hangzik ezek nyomán: Érdemes-e a nehezen hitelesíthető szerkezeti elvárásokat a viselkedésbeli pontosság korlátozására használni, ha maga a korlátozás szükséges szintje nem ismert.

Modellezés lépéseiAz alábbi felsorolás a modellezés lépéseit foglalja össze: problémamegfogalmazás, tények gyűjtése, indukció: hipotézisek kialakítása, modellképzés, dedukció: modellfuttatások (szimuláció), validálás: modelleredmények tényekkel való összevetése, eltérés elfogadható, alkalmazás.

73

Mint látható a helyes modell kritériuma egyértelműen a tényeknek való megfeleltetésben fejeződik ki. Ennek ellenére sem alakult ki a modellek értékelésének egységes rendszere. Sőt számtalan olyan úgy nevezett szerkezeti modell születik, melyek egy adott probléma szempontjából már azonosított elemeket próbálnak egymással kapcsolatba hozni anélkül, hogy a paraméterértékeket megkísérelnék beállítani, illetőleg a valós adatok alapján a modellhez valamilyen pontossági mutatót rendelni. Az ilyen típusú modellek oktatási célra feltehetően alkalmazhatók, azonban a gyakorlati döntések helyesebbé válását támogatni nem képesek. (A II. részben ismertetésre kerülő szakértői rendszerek egyik fontos gyengesége is éppen a tényektől való függetlenedésben mutatkozik meg. Másrészt bármely modell tekintetében igaz, hogy egzakt módon nem fejezhető ki, milyen pontos a modell, azaz milyen messze járunk a leképzendő valóságtól. Ez a paradoxon azonban az intuitív úton létrejövő valóságképet azonos mértékben érinti.)

8.6. Az „automatikus” modellgyár elve

emberi kérdés, inputok: ismert tények, állapotok (emberi szelekció), az állapotváltozásokat leíró lehetséges összefüggések meghatározása (emberi szelekció), outputok, állapotok számítása (emberi szelekció), emberi valóságideál szerinti összefüggésrangsor a becslések és tények viszonya alapján.

Az automatikus modellgyár adatmodellje egy tér-idő-jelenség mátrix, melynek ismert pozíciói alapján kell bármely probléma kapcsán az ismeretleneket levezetni (modellezni) tudni.

Az automatikus modellgyár az ember által meghatározott célelvűség korlátait elfogadva működik. A célzatosság az emberi kérdésfeltevéssel és a helyes válasszal kapcsolatos ideák leírásával ad keretet a folyamatnak. A köztes lépések azonban éppen úgy igénylik az emberi beavatkozást. A feladat tehát: az ismert (gyakorlatilag emberi szelekció után elfogadott) rendszerelemek (változók, állapotok) alapján a kombinatorikailag kezelni kívánt összefüggések kiértékelése. Minthogy az elvi kombinatorikai tér minden ilyen esetben végtelen, így az emberi intuíció még egy ponton, mégpedig a célirányos keresési stratégia megadásában, a kombinatorikai tér végessé tételében, illetőleg a gazdaságosság megfogalmazásában szerepet kap (vö. szubjektív keresési tér, objektív megoldási tér, 1. fejezet).

Noha az ember a folyamat minden pontján fontos szerepet játszik, a keresési algoritmus mégis automatikus, hiszen az szükséges beállítások (mint hipotézisek) megadása után az eljárás a gépi műveletvégzés minden előnyét kihasználva reális időn belül szállítani képes az eredményeket. Tehát a korábbiakban mondottak, miszerint az egyszer gépi formába öntött, intuitív módon megszerzett emberi képességeket a gépek hasznosan tudják szolgálatunkba állítani, messze menően igazak.

8.7. Összegzés

A hagyományos rendszerelméleti megközelítésből kiindulva – ennek elemeit redukálva – felvázolható a modellezés automatikus végrehajtásának elve. A modellezés eredménye egy, több-kevesebb ok-okozati restrikció és egy mindig szubjektív kritériumrendszer alapján kidolgozott hozzárendelés (összefüggés), mely megadja, hogy adott inputkonstelláció milyen outputokra (következményekre) vezet.A dinamikus és zárt rendszerekre vonatkozó kérdések (elemi problémák) mindegyike csak a rendszer tetszőleges jövőbeli állapotainak ismert állapotai alapján történő előrejelzésén keresztül válaszolható meg. Így a modellezés (összefüggés-keresés) minden döntés alapja.

8.8. Ellenőrző kérdések

Milyen lépésekből épül fel az automatikus modellgyár?

74

Miért nincsenek valódi szerkezeti modellek? Miért nem lehet a döntések kapcsán a jövőbeli állapotok levezetését elkerülni? Milyen adatmodellre támaszkodik az automatikus modellgyár? Milyen fogalmakra támaszkodik a hagyományos és modern (kombinatorikai) rendszerelvűség?

75

9. Informatika és információtudomány

9.1. Információdinamika és információpragmatika

Rauch azonos című tanulmánya, mely az információtudomány 1994. évi szimpóziumának nyitó előadásaként vált ismertté, szolgál alapul a következő fejtegetéshez.

9.1.1. Információs többletérték

Az információtudomány hosszú „keresgélés” után napjainkra végre gyakorlatiasan körülhatárolta, s ily módon el is fogadtatta vizsgálódásának tárgyát: az információs többletérték mibenlétét, előállításának folyamatát.

Mint azt számos eddigi felmérés tanúsította a gazdálkodó szervezetek eredményessége és az informatikai jellegű invesztíciók között pozitív korreláció semmiképpen sem igazolható vissza. Sőt néhány esetben szinte ennek ellenkezője látszik bebizonyosodni. Ez a jelenség az információtechnológia termelékenységi paradoxonaként került be a szakmai köztudatba. Ez a tény irritáló – mondja Rauch, hiszen az informáltság és a hatékonyság közötti kényszerű, elemi összefüggés cáfolataként fogható fel. A mai tapasztalat tehát arra mutat rá, hogy a vélhetően gyorsabban és helyesebben informált döntéshozó semmivel sem eredményesebb, mint a hatékonyságnövelés eszközének tartott információtechnológiát kevésbé hasznosító versenytársa.

Természetesen a szakma hiszi, hogy a fent említett paradoxon arra az egyszerű tényre vezethető vissza, hogy az információtechnológiára költött befektetések többnyire helytelen módon akarják segíteni a gazdálkodást. De a kérdés továbbra is nyitott: Ha nem így, akkor hogyan kell az információtechnológia nyújtotta lehetőségekkel helyesebben élni?

Az agrárinformatika felhasználó-orientált koncepciójának szempontjából az utóbb megfogalmazott kérdés alapvető fontossággal bír. Hiszen mindaddig, míg egyértelműen nem igazolható vissza, hogy a „helyesen” alkalmazott információtechnológia valóban többletérték előállítására képes, addig nincs értelme az intuícióval szemben, illetőleg ennek kiegészítéseként úgy nevezett módszeres, számítógéppel támogatott technikák alkalmazását bármely döntéshozón számon kérni. E technikák ugyanis egyértelműen az információtechnológia fogalomkörébe sorolhatók.

9.1.2. Társadalmi hatások

Rauch tanulmányának második fontos gondolata abban áll, hogy az információs és kommunikációs rendszerek nem csak a gazdálkodás számára készülnek, hanem egyben a társadalom számára is egy új kihívást és eszközt kell, hogy megtestesítsenek a társadalmi jellegű problémák mindenki számára egyenrangúbb megoldásában. A jobb informáltság mellett hozott döntések és ezek következményei az eddiginél átláthatóbbnak és hitelesebbnek kell, hogy tűnjenek a közösség szemében. Feltételezhető az is, hogy a társadalmilag pozitívan megélt informáltság-növekedés gazdaságilag nem feltétlenül előnyös (drága), ill. itt az előny, a többletérték fogalmának további finomítása szükséges.

9.1.3. Igény-szükségszerűség-piac

Az információs rendszerekkel kapcsolatos eddigi törekvések azt a pragmatikus kérdést firtatták, hogyan kell információs rendszereket létrehozni, „információt” előállítani, s elhanyagolták ennek reflexív vonatkozásait, vagyis azt, hogyan hatnak vissza (dinamika) az információs rendszerek ránk emberekre? Strohmeier rámutat ennek kapcsán az objektív szükségszerűség és szubjektív igény, valamint a piaci folyamatok szerepére:

76

SIH – szubjektív információhiány (szükséglet)OIH - objektív információhiány (szükségszerűség)IKE - információ utáni keresletMIM - maximális információmennyiség (világtudás)IKI - információs kínálat

I - igen (adott)N - nem (nincs)X - tetszőleges

SIH OIH IKE MIM IKI MagyarázatI I I I I ideális állapot,az információk szükségszerűek és ez tudatos

felismerésre került, van kereslet és kínálat, s a kínálat nem ütközik akadályokba, mert a világtudás magában hordozza a keresett információkat, feladat: a források és felhasználók minél hatékonyabb összekapcsolása

I I I I N vö. fent, azzal a különbséggel, hogy valamely okból nincs kínálat, pl. titkosítás, így az illegális eszközök fellépésével kell számolni (ipari kémkedés), feladat: a kínálati oldalon a maximális védelem biztosítása, míg a keresleti oldalon az ár(eszköz)/teljesítmény arányok megfontolása

I I X N N igény lenne, de nincs kínálat, feladat: a kínálat útjában álló akadályok felderítése, pl. kutatások ösztönzése a MIM határainak kitolása érdekében

I I N I I igény adott, de a keresleti oldal mégis inaktív (pl. forráshiány), feladat: keresletösztönzés

I I N I N nincs piaca az információknak (pl. statisztikai alapadatbázisok), feladat: piaci szervezet kialakítása

I N X X X A szubjektív információigény objektíve (tudományosan) nem teszik indokolt, azaz a probléma megoldható kevesebb információval is (felesleges laboratóriumi vizsgálatok orvosi diagnózisokhoz, feladat: a „kíváncsiság” költségeinek kimutatása

N I I I I az információ adott, de szubjektíve nem tűnik hitelesnek, fontosnak (környezetvédelmi adatok ipartelepítésnél), feladat: a szükségszerűség, potenciális versenyelőny bizonyítása

N I I I N nem fontos, de szükségszerű információ kínálat nélkül, feladat: a kínálat és a szükségszerűség felismerésének előmozdítása

N I I N N nem fontos, mert úgy sincs, feladat: kutatások ösztönzéseN I N I I nem fontos és nem is keresett, de kínált, szükségszerű

információk (pl. egészséges életmód), feladat: szükségszerűség felismertetése

N I N I N nem igényelt, de szükségszerű információk kínálat nélkül (pl. atombombabiztos bunker), feladat: igény és kínálat fejlesztése

N I N N N szükségszerű, de nem ismert információ (pl. fiziológiai reakciók a súlytalanság állapotában), feladat: kutatások ösztönzése

N N N I I indokoltan passzív kereslet, aktív kínálat (pl. szektafilozófiák), feladat: tolerancia

N N N I N ismeret adott, de nem releváns, feladat: -35. ábra Az információ management alapszituációi (Strohmeier nyomán)

9.1.4. Az információ és a pénz kapcsolata

A gazdaság működéséhez bizonyos mennyiségű pénzre szükség van. A nemzetgazdasági összefüggések klasszikusnak számító kutatói (Adam Smith, John Steward Mill) sokáig a pénznek csak egyfajta semleges, illetőleg katalizáló szerepet tulajdonítottak. Mintha a pénz csak fátyolként borulna a reálfolyamatokra, s a javak mindennemű mozgásával szemben egy ellenirányú pénzáramlás lépne fel, mely a javak cseréjét katalizálja, gyorsítja, de erre nem hat vissza.

77

Ez a teória időközben hamisnak bizonyult, hiszen egy túlságosan is nagy pénzmennyiség inflációt gerjeszt, míg a kevés pénz bénító hatású a gazdasági fejlődésre nézve, illetőleg a társadalmi nyugtalanságok a pénzpiacokra anélkül hatnak, hogy e változások mögött valódi javak mozdulnának meg.

Az információ, mint vélt katalizátor esetében is sokszor úgy tűnik, mintha sokan csak egy semleges tényezőt látnának benne. Pedig például egy eddig papírra alapozott üzemi kommunikációs rendszer átállítása elektronikus rendszerre nem csak a munkatársak informáltságát növeli, hanem a vállalat szervezetére is hatással van: csökkenti a hierarchikus szintek számát, növeli a kommunikáció mennyiségét. Ez a visszahatás nem feltétlenül kell, hogy pozitívumot jelentsen az eredménytermelés szempontjából.

9.1.5. Antagonizmusok

Az információpragmatika pozitív és direkt problémaközpontúsága, megoldás-orientáltsága szemben állni látszik az információdinamika keretében vizsgált, a rendszerre indirekt módon ható erők által kiváltott esetleges negatívumokkal, nem tervezett, nem befolyásolható következményekkel.

Az ember ezért az információs és kommunikációs rendszereknek nem csak alkotója, de bizonyos értelemben foglya is. Az információdinamikáról még nagyon keveset tudunk. Bizonyos analógiák, mint pl. a könyv és a polgárság, vagy az újkori demokráciák és a kommunikációs rendszerek megjelenésének egybeesései kiindulási pontot jelentenek a további vizsgálódás számára.

Mindezek nyomán feltételezhető, hogy a problémamegoldás és az ennek középpontjában álló összefüggés-keresés új technikái rengeteg előre pontosan soha be nem látható hatás indukálói lesznek, melyek komplexitásáról nem beszélni a legrosszabb megoldások egyike.

9.1.6. Ellenőrző kérdések

Miben nyilvánul meg az információs technológiák termelékenységi paradoxona? Mit jelent az információs többletérték fogalma? Milyen típushelyzetek alakulhatnak ki az információk piacán?

9.2. Adat – információ – tudás

Az adat, az információ és a tudás az informatika (az agárinformatika) alapfogalmai. Beszédben és írásban való alkalmazásuk során azonban sok esetben csak egymás szinonimáiként lépnek fel a bizonytalanság érzését gerjesztve maguk körül.Ebben a fejezetben a címben szereplő fogalmak Maier és Lehner által összegyűjtött, rendszerezett és újrafogalmazott definícióit, azaz a „legaktuálisabb” verziót ismerhetjük meg a továbbfejlesztés lehetőségeivel együtt.

Mint mindig, az alapfogalmak tisztázásának itt is központi jelentősége van, hiszen egyrészt e nélkül az emberi kommunikációban a második fejezetben is felemlített félreértések elkerülhetetlenül halmozódnak. Másrészt az ismertetésre kerülő definíciók az ember és gép közötti – sokszor elmisztifikált – viszony tisztázásához is hozzájárulnak.

9.2.1. Összehasonlító elemzés

Az alábbi táblázatban 11 forrásmunka alapján hét szempont szerint kerülnek felvázolásra az adat, információ és tudás fogalmak kapcsán alkalmazott definíciók. A szempontok a következők: Szemiotika: Ebben az oszlopban a nyelvtudományban alkalmazott kategóriák szerint kerül kiértékelésre

az információ fogalma (pragmatikus, szemantikus, szintaktikus, szigmatikus). Az információ hordozója: Ez a szempont arra a kérdésre keresi a választ, hogy az információ emberhez

és/vagy géphez kötötten létezik, illetőleg ezektől függetlenül is értelmezhető-e?

78

Az újdonság foka: Ennél a jellemzőnél a vizsgálandó kérdés úgy hangzik: Mennyiben kell az információnak a feldolgozó, kidolgozó rendszerek szempontjából ismeretlennek, újszerűnek lenni?

Cél: Kérdés: Kötődik-e az információ fogalma valamilyen formában cselekvési célokhoz? Időtényező: A vizsgálat tárgyát az információ időtartamhoz, illetőleg időponthoz való kötődése jelenti. Kapcsolat az adat fogalmához: E kritérium kapcsán keressük az adat és információ közötti kapcsolat

mibenlétét. Kapcsolat a tudás fogalmához: Hasonlóan az előző szemponthoz a tudás és az információ közötti

viszony mibenlétének kifejezése a cél.

A táblázat alapján visszaolvasható, hogy az információ többnyire valami pragmatikusan definiálandó, időhöz és célhoz kötötten létező fogalom. Azonban újszerűségéről és emberhez-géphez kötődéséről megoszlanak a vélemények. Az adat-információ-tudás láncban többnyire felfedezhető a hierarchikusság, de a kapcsolatok súlypontjai szerzőnkként eltérőek. Érdekességként megemlíthető, hogy angol nyelvterületen az információ fogalmának pontosítására tett kísérletek az adat és tudás fogalmakkal szembeni lehatárolást eddig nem érintették.

9.2.2. Az információ fogalmi modellje

Az információ fogalmának meghatározásakor az üzemi valóság elemei Maier és Lehner szerint: személyek: akik egyrészt aktív, másrészt passzív részesei a folyamatoknak, számítógéprendszerek (hardver, szoftver): melyek szintén játszhatnak aktív és passzív szerepet a

kapcsolatokban, objektumok: mint passzív komponenseket (számlák, nyomtatványok, gépek, termékek, anyagok), adatok: melyek szintén passzív elemei a folyamatoknak.

79

Szerző Szemiotika Hor-dozó

Új-don-ság

Cél Idő Adat Tudás

Augustin pragmatikus címzett nem igen időtáv Az adat az információ ábrázolási formája

A tudás az in-formációgenerálás és használat előfeltétele

Bode szemantikus - - nem időtáv Az adatok az információk részhalmazát adják

Az információ a tudás részhalmaza

Ferstl/Sinz

pragmatikus - - nem időtáv Az információ az adatok interpretálásá-val keletkezik

A tudás az információk adatokból való leveze-téséhez szükséges

Heinrich/Roithmayr

pragmatikus - - igen időtáv Az adat az in-formációval ellentétben nem közvetlenül célorientált

Az információ a tudás részhalmaza

Königet. al.

pragmatikus ember - igen időpont Az információ az adatok egyéni célok mentén való interpretálása

A modellezésről szerzett tudás az adatok interpre-tálásához szükséges

Krcmar szemantikuspragmatikus

- - igen időtáv - -

Kuhlen szemantikuspragmatikus

emberen kívüli pl. gépi

igen igen időpont Az adat a tudás megjelenési for-mája, melyből információ környezet-függöen kerül levezetésre

Az információ nem mást, mint aktív tudás, ill. egy új nézőpont

Letvian szemantikuspragmatikus

- igen nem időtáv - A tudás kompo-nensei az infor-máció forrásai

Luft szintaktikusszemantikuspragmatikus

ember - igen időtáv Az adatok az információk kifejezésének eszközei

Az információ a tudás aktualizá-lásának alapja és az információ nyelvileg kifejezhető tudást feltételez

Picot/Franck

szemantikuspragmatikus

- igen igen időtáv Adatok szolgál-nak alapul infor-mációk szükség szerinti generálá-sához

A tudás kompo-nensei az infor-máció forrásai

Stein-müller

szintaktikusszemantikusszigmatikuspragmatikus

ember-hez kötött

nem igen időtáv Az adat az információ megjelenési formája a gépekben

A tudás az információ-modellek gyűjteménye

36. ábra Összehasonlító táblázat (Maier és Lehner nyomán)

Az adatokkal kapcsolatban elmondható, hogy ezek a valós objektumok és személyek, valamint az üzemi valóság egyéb vetületeinek, állapotainak leírására alkalmas jelek, jelsorozatok, melyek csak az által válnak a valóság hasonmásává (egy a valóságot jellemző modellé), ha jelentésük és a közöttük meglévő kapcsolatok ismertek. Az adatok a személyeknél és objektumoknál magasabb absztrakciós szinthez tartoznak és nem kötődnek kényszerűen számítógéprendszerekhez, de valamilyen adathordozóhoz igen. Így az adatok az üzemi információs és kommunikációs rendszerek önálló elemeiként értelmezendők.

80

A számítógéprendszerek, melyek az objektumokhoz hasonlóan szintén sok passzív tulajdonsággal rendelkeznek, megkülönböztetése az objektumoktól épp ezek aktív – emberhez hasonlóan önálló feladatvégző – tevékenysége révén történt.

A következő szakaszok a fenti ábrán feltüntetett kapcsolatokat (személy-adat, személy-objektum, személy-számítógéprendszer, személy-személy, számítógéprendszer-adat, számítógéprendszer-objektum számítógéprendszer-számítógéprendszer és objektum-adat) mutatják be részletesebben: személy-adat: Személyek (pl. ügyfelek) adatokon keresztül kerülnek (pl. kódszámok) leképezésre.

Személyek észlelhetik, értelmezhetik, létrehozhatják, módosíthatják az adatokat. személy-objektum: Személyek végezhetnek az objektumokkal műveleteket (pl. termelés). Személyek

észlelni képesek az objektumokat (pl. zaj). Személyek adatokkal jellemezhetik az objektumokat (pl. állóeszköz-nyilvántartás) illetve modellezhetik az objektumok közötti összefüggéseket (pl. üzemi adatmodell). Személyek adatokat rendelhetnek az objektumokhoz (pl. kódszámok).

személy-számítógéprendszer: Személyek üzenhetnek a számítógéprendszereknek (pl. programon belüli dialógus). Személyek módosíthatják a számítógéprendszereket (pl. új periféria installálása). Számítógéprendszerek üzenhetnek a személyeknek (pl. riasztás). Személyek észlelni képesek a számítógéprendszereket. Személyek tervezik, létrehozzák a számítógéprendszereket és adatokat rendelnek hozzájuk.

személy-személy: Személyek üzenhetnek egymásnak. Személyek észlelhetik és befolyásolhatják egymást. Személyek adatokat rendelhetnek személyekhez.

számítógéprendszer-adat: Adatok rendelhetők a számítógéprendszerhez. A számítógéprendszerek az adatokon műveleteket végezhetnek.

számítógéprendszer-objektum: A számítógéprendszerek észlelik az objektumokat és ezek kapcsolatait (pl. videokamera). A számítógéprendszerek átalakíthatják az objektumokat (pl. robotok).

számítógéprendszer-számítógéprendszer: A számítógéprendszerek képesek kommunikálni egymással. objektum-adat: Az adatok objektumok formájában léteznek (l. adathordozók). Objektumokhoz adatok

rendelhetők hozzá.

A következőkben az eddig alkalmazott objektív nézőpont helyett az ember szemszögéből nézve kerül bemutatásra az információ fogalma. Az ábrán látható nyilak nem feltétlenül jelentenek, ok-okozati kapcsolatokat (pl. az információ nem feltétlenül vezet, de vezethet cselekvéshez).

81

37. ábra Az információ keletkezése (Maier és Lehner nyomán)

Az ember érzékszervei segítségével az üzemi realitás számtalan formáját (a passzív komponenseket és az aktív emberi vagy gépi üzeneteket) érzékeli. Az emberi érzékszervek nem mindent, csak bizonyos dolgokat észlelnek (szűrő effektus). A korlátozás egyik kritériuma a még feldolgozható jelmennyiség szintjének túllépését akadályozza. A tudás az, ami az emberi figyelmet azon valóságelemekre irányítja, melyek az ember számára fontosak lehetnek. Az érzékelés eredményeit ismét csak a tudás dolgozza fel, értékeli ki. Az értelmezés és az észlelés kereteit a célokon keresztül a tudás szabja meg. Az észlelések értelmezésének eredménye az információ, mely vagy a tudás aktualizálását szolgálja, vagy az aktualizálást átugorva azonnali cselekvést indukál, illetőleg feledésbe merül. Az információ és a tudás tehát sokszínű (reflexív) kölcsönhatásban áll egymással. Így lépnek fel az interferencia illetőleg a hasonlóság-effektusok, melyek a típushelyzetek kezelését teszik lehetővé. A számítógéprendszerek is képesek a megadott keretek között „magatartásukat” szabályozni, s ezáltal a kommunikáció akció-reakció-körforgásában aktívan részt venni.

82

A következő ábra a könyvelő példáján keresztül kísérli meg az előzőekben általánosságban bemutatott összefüggéseket konkrét tartalommal megtölteni:

38. ábra A könyvelő példája (Maier és Lehner nyomán)

9.2.3. Az információ új fogalmi modelljének jellemzése

Az előzőleg alkalmazott hét kritérium alapján az új modell tulajdonságai a következők: Szemiotika: A modellben alapvetően a pragmatikus (cselekvési és cél) szempontok érvényesülnek,

kiegészítve szemantikus jegyekkel (emberi érzékelés jelentősége). Az információ hordozója: A modell az információ fogalmát egyértelműen az emberrel hozza

összefüggésbe, s egyidejűleg a gépekkel kapcsolatos mindennemű (a ma oly hangzatos mesterséges intelligenciát emlegető) vonatkozást elvet, mivel a ma ismert összes géphez kötött eljárás a tárban elhelyezett adatok és feldolgozó algoritmus, valamint az ezektől fizikailag elválasztott feldolgozó egység (processzor) elkülönítésére alapul szemben az emberi aggyal, melyben a tudás, az „információ-feldolgozás” egy önmagára visszaható semmilyen tekintetben nem szétválasztható folyamat. (Ezt a kijelentést a legújabb objektum-orientált programozási nyelvek úgy nevezett „aktív objektumai” sem képesek cáfolni, hiszen ezek nem mások, mint passzív adatok, melyek a saját feldolgozási algoritmusukkal együtt kerülnek tárolásra és hiába működnek látszólag aktív adó-vevőként, működésükhöz továbbra is egy valóban aktív processzort igényelnek.)

Az újdonság foka: Az információ nem kell, hogy feltétlenül új legyen. Az észlelések célzatos, tudatos kiértékelése az információ keletkezésének alapja.

Cél: A célzatosság három szinten jelenik meg folyamatban:

83

a megfigyelendő, észlelendő valóság célirányos kiválasztásakor, az észlelések célirányos kiértékelésekor és a reakciók ismét csak célirányos meghatározásakor.

Időtényező: Az idő kettős értelemben, de alapvetően mégis mint időtartam kerül a modellben meghatározásra. Az információ egy csak időlegesen létező jelenség. Csak addig létezik, míg hatását ki nem fejti. Ez a hatás azonban egy-egy pillanatnyi cselekvés kiváltásán túl a tudás aktualizálása révén hosszú távú is lehet (reflexivitás). Az információ csak konkrét helyzetbe ágyazottan értelmezhető, míg a tudás helyzetfüggetlen.

Kapcsolat az adat fogalmához: Mint már kiderült, az adatok olyan passzív komponensek, melyek személytől függetlenül a rendszer állapotáról tudósítanak. Az észlelt adatokból a tudás értelmező szerepén keresztül információk keletkezhetnek, melyek már aktív, személyhez kötött jellegűek. Az információ és a tudás kölcsönhatásának eredményeként cselekvések alakulnak ki, melyek az adatokra visszahathatnak (létrehozás, törlés, módosítás).

Kapcsolat a tudás fogalmához: A tudás és az információ három ponton kapcsolódik egymással: A tudás az észlelések célzatos értelmezése révén keretet teremt az információgeneráláshoz. Az információ a tudás csírája. Az információ a tudás aktualizálásában aktív szerephez jut. A tudás szabja meg, hogy az információ aktualizáló, cselekvést kiváltó ill. elfelejtendő-e.

9.2.4. Fogalomdefiníciók

Információ: Az emberi észlelés (pl. adatok, ingerek) tudás által szabályozott értelmezésének pillanatnyi helyzet- és személyfüggő eredménye. Nem mérhető.

Adat: Jól definiálható szimbólumok, jelek, jelsorozatok emberek és objektumok illetőleg a valóság, valamint az emberi képzeletvilág állapotainak leírására.

Tudás: Az emberi emlékezet hosszú távon rendelkezésre álló, aktív komponense, mely önmaga aktiválását és átalakítását képes vezérelni.

Adatfeldolgozás: A tevékenység középpontjában a mechanikus adat manipulálás lépései állnak (input+transzformáció+output, illetve az adattárolás szervezése, adminisztráció, igazgatás, szoftverfejlesztés, karbantartás).

Információ-feldolgozás: A tevékenység középpontjában itt az ember áll a maga információ-logisztikai kérdéseivel: pl. ki, milyen adatot, mikor, milyen formában, miért igényel. Az adatfeldolgozás ilyeténképpeni szervezése a felhasználónak és a feladatnak való minél jobb megfeleltetést célozza meg. Cél tehát az emberi interpretáció adatokkal való támogatása. Emellett fontos a közösségi hatások figyelembe vétele is, vagyis a rendelkezésre álló adatok milyen folyamatokat indukálnak társadalmi (üzemi) szinten.

Tudásfeldolgozás: A fogalom technikai jellegű. Adott tudásbázis mellett végrehajtott adatfeldolgozást értünk alatta.

A magyar terminológiában a helyzet a nemzetközinél is bonyolultabb, hiszen egyszerre öt szintet (adat / hasznos adat / információ / ismeret / tudás) kellene tudni kezelni, szemben az előzőekben megismert, gyakorlatilag adat+tudás-elvű koncepcióval. Az ötös tagolás ismételten rámutat azonban arra a 2. fejezetben tárgyalt gondolatra, miszerint az adatfeldolgozás (tartalom, adat) metainformációkat (forma, tudás, módszer) igényel, melyek szintén továbbadhatók, s továbbadandók.

9.2.5. Tézisek

Az információ fogalma személyhez illetve szubjektumhoz kötött. Az információ a tudat, a gondolkodás része. Gépek csak adatokat képesek kezelni és értelmezni.

„Információ”-továbbadásról akkor beszélhetünk, ha a fogadó oldalon az információ keletkezése valószínűsíthető. Az információátadás mindenképpen adatokon, híreken keresztül történik. Az

84

információ keletkezésének valószínűsége esetlegesen az információ statisztikai jellegű (mérhető) definíciójához vezethet. (Milyen valószínűséggel jelent egy adat a fogadók halmazában információt?)

Ha „információ” kerül továbbadásra, a fogadó oldalon az értelmezés folyamata általában lerövidül. Az informatika számára azon információk keletkezése a fontos, melyek számítógépekkel kezelhető

adatokra alapulnak. Az írásos formában közöltek így közvetlenül nem tartoznak az informatika tárgykörébe, bár a legújabb törekvések a médiákat is az adatmodellezés és az adatfeldolgozás területeként igyekeznek értelmezni (multimédia).

Az információmodellezés fogalma ma még tisztázatlan, zavaró, lehetőleg kerülendő. Az adatmodellezés célja az adatok hatékony, rendszerezett tárolása és rendelkezésre bocsátása. A

modellezés fogalmának átvitele az információk síkjára nem tűnik ésszerűnek.

9.2.6. A fogalmi modell kritikája és továbbfejlesztése

Az előzőek alapján még mindig megválaszolatlan marad a kérdés: Mitől válik valami a szubjektum számára információvá (azaz cselekvést kiváltóvá, oly értékessé, hogy hosszú távra tudásként tárolni kelljen), illetőleg mi által képes az úgy nevezett tudás az információt információként kezelni? Válaszként túl egyszerű lenne elfogadni az emberi önkényességet, a szubjektivitást (Miért? Csak!). A tudás, az információ, illetőleg egy hasznos problémamegoldó stratégia képessége, mely, mint minden változás feltehetően véletlenszerűen (mutációként) lépett fel valaha, s kiállta az evolúció szelekciós nyomását, a valóság rendjéből át kellett, hogy mentsen valamit saját hatásmechanizmusába. Így egy definíció az előzőkből következőknél „ok-okozatibb” jellegű, ill. egzaktabb (mérhetőséget jobban biztosító) kell, hogy legyen.

Az előző fejezetekben az összefüggés-keresés központi szerepének felismerésével gyakorlatilag már fel is merült egy az eddigieknél még pragmatikusabb megfogalmazás lehetősége, (mely a II. részben is részletes kifejtésre kerül):

A tudás mindezek alapján olyan képesség (folyamat, módszer, hozzárendelés, összefüggés), mely a valós folyamatok múlt és jelen idejű állapotainak értelmezését (rendszerszemlélet, elemek és kapcsolatok) és jövőbeli állapotainak előrevetítését és tetszőleges értékrend szerinti értékelését teszi lehetővé. A probléma-felismerés, -megoldás folyamatának fogalma így a tudás szinonimája. Másként fogalmazva a tudás nem más, mint az objektivitásérzékre (modell) támaszkodva valóságképek létrehozása, ezek értelmezése (szimuláció: mi lenne, ha), valamint a létrehozott valóságállapotok „önkényes” rangsorolása, szubjektív prioritások megállapítása.

A prognosztizált állapotok teljesen szubjektív (azaz minden szelekciós alapot nélkülöző) rangsorolásával, mint az emberi célok kifejezésének eszközével is vitába lehetne szállni, de elfogadva a célok „teljes” szubjektivitását feltételezhető, hogy információvá válik minden olyan észlelés (adat, inger), amit egy kibernetikai rendszer (ember) a céljaitól (pl. stabilitás) való eltérésként, cselekvésre való felhívásként, riasztásként képes értelmezni. Az információ így a kívánatos (tudatos, ill. öntudatlan) állapottól való feltételezett eltérésként is definiálható. Következésképpen a tudás egy része objektív, egy másik része – az objektív vonatkozások a célzatos kiértékelése – pedig szubjektív. A helytelen feltételezések (jövőképek) a tudásra a módosítás kényszerével hatnak vissza, míg a helyes valóságkép a tudás (magabiztosság) stabilizálásához vezet. A valóságképek tényleges valósággal való összevetése teremti meg az alapot az információ-tudás fogalompár mérhetőségéhez. A tudás-információ szubjektív vonatkozásai továbbra sem mérhetők.

Az intuíció, avagy a velünk született objektivitásérzék (nem tudatos jövő- és valóságkép) feltehetően, sőt a rengeteg hibás döntést látva, szinte már bizonyíthatóan nem tökéletes. Így a valóságleképezés (modellezés, összefüggés-keresés) esetlegesen kívül kell, hogy kerüljön a biológiai kereteken, vagyis ki kell, hogy egészüljön – az emberileg felfogható, de reálisan nem kivitelezhető, s így eredményében már nem feltétlenül tanító jellegű – módszeres tudással (algoritmizált összefüggés-kereséssel).

85

9.2.7. Ellenőrző kérdések

Milyen szempontok szerint került az új fogalmi modell kidolgozásra? Hogyan definiálható az adat-információ-tudás fogalomhármas? Mi a fogalmi modell kritikájának az alapja?

9.3. A tudomány – a tudás forrása

Az előző gondolat közvetlen folytatásaként arra a kérdésre keressük a választ, mennyiben tekinthető a tudomány a tudás (úgy az intuitív, mint a módszeres tudás) forrásának, illetőleg milyen tényezők hatnak pozitívan és negatívan a tudásfelhalmozás folyamatára. Ezen kérdéskör kifejtéséhez Fröhlich a témát alaposan és kritikusan taglaló tanulmányát hívtam segítségül.

A tudományon belül, valamint a tudomány és a külvilág között lezajló kommunikáció az a folyamat, mely új impulzusokat adva az egyes embernek információ, tudás (problémamegoldó-készség), azaz többletérték kialakulásához vezet. E többletérték mibenléte a különbözőképpen közelíthető meg. Egyrészt a kommunikáció értéke jellemezhető egy olyan valódi potenciálként, mely a kommunikációban érintett felek lehetséges stimulációs, kritikai és ellenőrző effektusaira, kölcsönhatásaira épül. Másrészt a beszélhetünk szimbolikus értékről pl. a későbbiekben ismertetendő Máté-effektus értelmében. A tudományos munkák kapcsán felfedezett összefüggések különböző utakon keresztül juthatnak el problémával rendelkező emberhez. Ezen utak fontos csomópontja a már ismertetett tanácsadás intézménye. E mellett az oktatás-képzés (mely fontosságát tekintve önálló fejezet igényel) és az egyéni informálódás szerepe jelentős, mely utóbbi bizonyos vonatkozásait e pont keretében ismerhetjük meg.

9.3.1. A tudomány koncepciója

A tudomány mai koncepciója ennek díszkurzív (vitatkozó) és kooperáló jellegéből indul ki. Eszerint az egyes kutatók csak apró fogaskerekei a nagy gépezetnek. S hozzájárulásuk a közös eredményhez relatíve kis mértékű. A maiak mindig az elődök vállán állnak, azaz a generációk alatt felhalmozott eredményekből építkeznek. Soha nem tudhatjuk azonban, hogy a mai kutatók közül, kiknek az eredményei igazolódnak be a jövőben.

A tudomány tehát egy kollektív vállalkozás. Intézményi szerkezete, nyelvezete, módszerei, melyek segítségével többé-kevésbé hasznosítható eredményekre igyekszik jutni, alapvetően a vitára épül. Így az egy-egy kutató által elérhető legfontosabb eredmény az, ha közléseit minél többen olvassák, értelmezik, kritizálják, ellenőrzik. Csak ezáltal kerülhetnek be ugyanis e gondolatok a közös szellemi vagyonba, hogy majd beépülve mások gondolatmenetébe szintézishez vezessenek. Következésképpen optimális eredményre csak a racionális, nyitott és kritikus tudományos kommunikáció vezethet, melyben mindenki kellően informáltnak érezheti magát.

9.3.2. Tudomány – társadalom

Átugorva a Fröhlich által összegyűjtött, a tudományos kommunikációt taglaló formális modellek ismertetését, melyek lényegében az információterjedés kvantitatív törvényszerűségeit igyekeznek különböző technikai, fizikai, biológiai analógiák alapján leírni, folytassuk a gondolatmenetet inkább a tudásfelhalmozást pozitívan és negatívan befolyásoló tényezők ismertetésével.

Befutottak és ismeretlenek (N. Elias nyomán)Az emberek, így a tudósok is akarva-akaratlanul szociális kapcsolatok (pl. feladatmegosztás, függőségek) részesei. A hatalom e vonatkozásban sem valami speciális jelenség, hanem egyszerűen a társadalom szerkezeti sajátossága. A hatalom nem más, mint felügyeleti jog olyan erőforrások felett, melyeket mások is igényelnének. Így alakul ki a már befutott (ismert, híres) tudósok és a még ismeretlenek között egy típushelyzet.

86

Az innováció forrása általában a névtelenek tömege, míg a pozícióban ülők inkább az úgy nevezett hétköznapi tudomány fenntartásáért érzik magukat felelősnek. A posthumus jelleggel elismert tudósok saját korukban a kitaszítottak közé tartoztak. A nehezen visszaigazolható hatalmi struktúrák analógiájaként értelmezhető az egyes tudományágak egymás közötti rangsora is, élen a matematizálható tudományágakkal (pl. a fizika). Ezen szociális diszparitások számtalan, az összteljesítményt rontó, negatív hatás kiváltói.

Konkurenciaharc a tudományban (P. Bourdieu nyomán)A tudomány olyan sok-dimenziós tér, melyben az érintettek (tudósok) többiekhez képest elfoglalt pozíciójuk, erőtereik alapján definiálhatók. Az egyes – többnyire intézményesült – erőterek fizikai elfoglalása egy olyan, sokakat mozgató cél, mely magának az erőtérnek egyfajta létjogosultságát is megadja. Az erőterek különböző (gazdasági, kulturális, szociális és látszat-) erőforrások felett rendelkeznek. A kulturális erőforrások közé sorolhatók a képzési (tudományos készségek és képességek), a tárgyiasult (szakkönyvek, kísérleti berendezések) és az intézményi (szervezeti) erőforrások. Szociális erőforrásként értelmezhető bármely erőforrás személyhez, csoporthoz kötöttsége (kölcsönös hivatkozások, személyesen küldött különlenyomatok, négyszemközt megvitatott kérdések). Látszaterőforrás mindezek után az ismertség, a presztízs, az elismertség, a misztifikáltság.

A tudomány egésze a társadalom szemszögéből szintén egy erőtér, mely hasonlóan részeihez az erőforrások halmozását tartja szem előtt. A tudományban az anyagi jellegű javak halmozása mellett erőteljesen jelentkezik a látszaterőforrások halmozásának kényszere. Ennek oka a hitelesség növelésében keresendő. Minél hitelesebbnek tűnik valaki az alternatív lehetőségekhez (konkurenciához) képest, annál több előnyre tehet szert, s annál kisebb a vele szemben megfogalmazott kritikák veszélye (eltusolás). Éppen ezért a téves közlések felfedése, vagyis a hiteltelenné válás csak nagyon ritkán indul el a tudomány rendszerébe beépített ellenőrző pontoktól (véleményezés, ajánlások). A legtöbb esetben polgári perek (becsületsértés) keretében bizonyosodnak be a tudományos eredményeket nullifikáló tények. A tudománnyal kapcsolatban ma inkább az intézményes bizalom, mintsem az egészséges intézményes szkepticizmus a jellemző.

A tudományban – hasonlóan a művészethez – a konkurens felek saját termékeiknek egyszerre kritikusai és fogyasztói. Pozitívum e tekintetben, hogy a konkurensek kölcsönös kontrollja a természettudományokban az ésszerűséget látszik erősíteni. Remélhetőleg a jövőben az egyéb tudományterületeken is szemben a kölcsönös lejáratás, vagy felmagasztalás gyakorlatával, hasonló pozitív hatásokkal számolhatunk.

A Máté-effektus (R. K. Merton nyomán)Máté 25, 14-30: „Mert mindenkinek, akiknek van, adatik és megszaporíttatik, akinek pedig nincs, attól

még az is elvetetik.” (példázat a tálentomokról, a bizalom metaforája).A Máté-effektus kimondja, hogy a szociális egyenlőtlenségek önmagukat gerjesztik. A tudományban ez abban nyilvánul meg, hogy objektív értékében azonos publikációk esetén a már eddig is híresebb kutató kerül a figyelem középpontjába, illetőleg azon intézmények, melyek híresebbek, könnyebben jutnak kutatási forrásokhoz. A tétel hátterében Nobel-díjasok nyilatkozatai állnak. Az effektus haszonélvezői állítják, hogy saját megítélésük szerint teljesítményükhöz képest aránytalanul sok elismerésben részesültek figyelembe véve a kollégák hasonló nagyságrendű eredményeit és az ezek nyomán járó juttatásokat. Merton szerint ez az effektus a tudomány, mint rendszer stabilitását, működőképességét is szolgálja az információ mennyiségének redukálása által, hiszen kevés, nagy névhez kötve bizonyos teóriákat, ezek könnyebben megjegyezhetők, látványosabban hivatkozhatók.Merton 60-as évekbeli állítása szerint ez a tendencia tovább fog erősödni. Ugyanis a publikációk – sokak elbátortalanodása ellenére is várható – dömpingjében az egyes kutatók kilátástalan harcot folytatnak a tartalom szerinti kiértékelés érdekében, s így egyre inkább látszólagos fontossági kritériumokra nyúlnak vissza annak eldöntésében, milyen eredményekre is támaszkodjanak munkájuk során. Így pl. a fontosabb szaklapokban közöltek számos esetben új projektek életre hívását mozdítják elő, míg tartalmilag esetleg fontosabb, de szűkebb közönség előtt ismertetett eredmények „agyonhallgatásra” kerülnek.

87

Tudományos retorikaA tudományos eredmények – mondjuk ki néha nyíltan – mindig a véletlen szülöttei. Ennek ellenére a tudományos jelentésekben a szisztematikusan levezetett és előre belátható utakról, azaz a tudatos eredménygyártásról esik szó. A hitelesség fokozása okán, a publikációk nyelvezete a teljes személytelenség irányába tolódott el, kiegészítve a konkurenciaharc tétele kapcsán azzal a jeggyel, hogy csak annyit és olyan formában szabad közölni, ami még az elsőség biztosításához elegendő, de a reprodukálást és továbbfolytatást kizárja. Ez a fajta „titoktartási kötelezettség” nem csak személyek, hanem kutatócsoportok vonatkozásában is érvényesül, s vezet pl. azonos eredmények többszörös felfedezéséhez. Ezt ugyan a bizonyosság növekedése kapcsán lehet pozitívnak is tartani, de egyidejűleg rengeteg erőforrás felesleges lekötését is jelenti.

9.3.3. A tudományos kommunikáció többletértékének forrásai

A tudomány a világról alkotott szubjektív képünk kialakítását a többé-kevésbé bizonyított kijelentéseibe vetett bizalmunk révén nagyban befolyásolja. A tudományos eredmények az esetek zömében bizalmi áruk. A bizalom, a hitelesség növelését szolgáló effektusok – alapvetően kifelé, vagyis a külvilág felé, de sok esetben a tudomány berkein belül is – a közlés valóságtartalmától függően lehetnek értéknövelők, vagy a félrevezetést erősítők.

Ilyen effektusok a tudományos kommunikáció által kiváltott: stimuláció, motiváció, megerősítés, orientálás, szinergia, többszörös felfedezések elkerülése, a konkurencia növelése révén javuló érvelési készség, illetőleg a kritikus ellenőrzés, reprodukálás, redundancia elleni szelekció.

Ennek ellentéteként, azaz a többletérték kialakulását gátló hatásként említhetők: az önkényesen szelektáló, adott irányvonalat kritika nélkül elfogadó, a publikációs robbanást tápláló, a látszathitelességet hajszoló, a szociális egyenlőtlenséget fokozó és a bizonyítás útjában álló, időkeret túllépésével vitát kizáró, közleményekben érthetetlen megfogalmazásokkal élő magatartásformák.

9.3.4. A nem „tervezett” kommunikáció hatása

Luhmann már 1974-ben a véletlenszerű információs effektusok gyakoriságának növelését szorgalmazta, azon felismerés kapcsán, hogy az úgy nevezett szisztematikus információgyűjtés csatornáitól illetőleg az intézményesült hozzáférési jogosultságoktól függetlenül, azaz gyakorlatilag véletlenszerűen megszerzett információk hatása a felfedezések indukálásában jelentősnek tekinthető. Ez a tétel gyakorlatilag az információ demokratizálásának speciális megfogalmazása. Hiszen, ha az egyes kutatók a szisztematikus keresés során fellelhető információk mellett olyan véletlenszerű hatásoknak (beszélgetések, hírek) is ki vannak téve, melyek a „szükségesnek ítélt” keresési tartományhoz képest egy szélesebb spektrumból szállítanak anyagot, akkor az analógiák, ötletek, hiányzó láncszemek megtalálásának esélye jelentősen nő. Ezt erősítheti az publikációs robbanás is, hiszen a nagy tömeg miatt az on-line katalógusokban rosszul, vagy félreérthetően egy adott publikációhoz hozzárendelt kulcsszavak olyan forrásokat is feldobnak egy keresés kapcsán, melyek épp az alpont címében kiemelt, nem tervezett hatásokat erősítik.

9.3.5. Többletérték nem természettudományi szemszögből

A többletérték fogalma tudományterületenként eltérő. Így pl. az egyértelmű, a számszerű, a reprodukálhatóságot elváró természettudományos közlési stratégiával szemben a társadalomkutatók, a szellemtudományok képviselői, illetőleg a művészek a szöveges, többértelmű, asszociációt serkentő, szórakoztató, érdeklődést ébresztő, úgy mond nem tudományos tulajdonságoknak is értéket tulajdonítanak nem utolsó sorban azért, mert ezek esetleges ismétlődései (redundanciái) az emberi természetnek, a tanulásnak megfelelőbb, produktívabb formáit testesítik meg, s érdekes módon a természettudományi előadások, illetőleg az ismeretterjesztő szakirodalom bevett retorikai, stilisztikai jegyeiként is rájuk lehet ismerni.

88

9.3.6. Többletérték-realizálás információs rendszereken és hálózatokon keresztül?

A pont címében megfogalmazott kérdés kiegészíthető még azon kérdéssel is: Hogyan segíthetnek az információs rendszerek, a hálózatok a gátló hatású társadalmi egyenlőtlenségek leépítésében?

A kommunikáció technikai fejlődése a legújabb vélemények szerint a tudományban egy krízis, pontosabban fogalmazva egy kontrollkrízis kiváltója lesz. Feltehetően a rengeteg redundanciát tartalmazó, értéktelen illetőleg apró, új részletre rávilágító publikációk sokaságából egyre reménytelenebb lesz kihámozni és részleteiben ellenőrizni, ezáltal a nagy közös gondolati vagyonba ellenőrzötten beépíteni a valóban hasznosakat. Oeser javaslata szerint az információs hálózatokba, hasonlóan az emberi agyhoz, szelektáló és felejtő mechanizmusokat is be kellene építeni.

Az Internettől sokan az informálódás demokratizálódását, azaz a citációs kartellek, az önkényes lenyomat-osztogatások megszűnését, a látszathitelesség helyett egy objektívebb „mérőszám” kialakulását, következésképpen a Máté-effektus visszaszorulását várják. Ezzel szemben állni látszik az a tapasztalati tény, hogy az Internet nyújtotta lehetőségekkel ma többnyire éppen azok élnek, akik már pozícióban vannak, s széles ismeretségi körrel rendelkeznek. Így akár a Máté-effektus további erősödésére is lehet számítani.

Az információs rendszerek fejlődésének belső törvényszerűségeire nem szabad hagyatkozni, hanem ezek többletérték-termelő hatásait szemben a társadalmi torzulásokat fixáló tulajdonságaival intézményes beavatkozásokkal kell erősíteni. Ennek lépéseit a következőkben lehet összefoglalni: A információs többletérték előállítását, illetőleg az információszerzést, -redukciót, -sűrítést támogató

módszerekre van szükség, melyeket – esélyegyenlőséget teremtő hatásuk révén – az oktatásba is fel kell venni.

Az adatbázisrendszerek használóit jutalmazni (ingyenes felhasználási idő) kellene az ezekben fellelhető hibák, más adatbázisokkal kiépítésre érdemes kapcsolatok feltárásáért. Fontos lenne a felhasználók az adatbázisban talált anyagokat illető értékítéletét ismerni. Magasabb szinten az is elképzelhető, hogy egy a felhasználók magatartásából tanulni képes rendszer is kiépíthető.

Szükség van elméletekre és információs managerekre, akik az egyes szakterületeken megfigyelhető változások összefoglalásáért, a látszatértékeket kompenzáló értékeléséért felelnek.

A ma publikációkra alapozó, látszatsikereket hajszoló kommunikációs rendszere nem felel meg az egyenrangúságot erősítő, s ezáltal többletértéket létrehozó elveknek. Azonban ennek megváltoztatása – a rendszerek ismert tehetetlensége miatt – nehezen, lassan képzelhető el. Döbler, Goffman és Warrens gondolatai alapján az eddig felhalmozott adatbázisokat (pl. könyvtárak), pontosabban a bennük lévő egységeket (könyv) az azonosításhoz szükséges adatokon túl ezek minőségére utaló mutatószámokkal is érdemes ellátni (pl. idézettség). Ezek az értékelések ugyan soha nem jelenthetnek önmagukban egyértelmű szelekciós kritériumot, de információtartalmukat elvitatni nem lehet.

9.3.7. Jövőkép

Mint azt a teendők között is olvashattuk, szükség van a többletérték-előállítás (= problémamegoldó-készségfejlesztés) összefüggéseinek tanulmányozására, s az eredmények oktatásba, képzésbe való gyors átvitelére.

A szöveggyűjtemény matematikai, módszertani mondanivalója épp egy az objektivitást, a hatalomelvűséget kizáró technika bemutatása. Hiszen, amennyiben a tudásszerzés egy része (a valóság leképezése, az előrejelző összefüggések kidolgozása) algoritmizálható, úgy részben kivédhetők a ma finoman csak információmonopóliumnak nevezett társadalmi egyenlőtlenséget erősítő korrupció hatásai.

Egy konkrét példával élve: környezetvédelmi intézkedések szükségszerűségét vitatni tudományosan elfogadott, mindenki számára ismert adatok alapján, szinte bárki által kezelhető módszerekkel levezetett hatástanulmányokkal (jövőképpel) szemben ugyan lehet, de lényegesen reménytelenebb vállalkozás, mint e nélkül.

89

Mint az a példából is egyértelműen következik, nem csak a módszer, hanem az úgy nevezett demokratikus adatbázis is előfeltétele a felvázolt folyamatnak. Így az is kijelenthető, hogy az adat és a hozzáférési jog valódi erőforrás, azaz hatalom. Módszeresen csak azt lehet feldolgozni, ami adatok formájában elérhető. Ezt viszont hiba nem feldolgozni, hiszen az így nyerhető eredmények intuitív módon nem pótolhatók.

9.3.8. Ellenőrző kérdések

Hogyan fogalmazható meg a tudomány koncepciója? Milyen tényezők hátráltatják a tudományos kommunikáció többletérték teremtését?

9.4. Oktatás-képzés

Az oktatásnak a tudásátadás (szaktanácsadás) folyamatában betöltött komplex szerepének megismerését Kocsis Károly „Az egyetem szaktanácsadási tevékenységének fejlesztése” című tanulmánya (1994) segíti.

9.4.1. Interpretáció

A felhozott példákból kitűnik, hogy a fejlett szaktanácsadási rendszerekkel rendelkező országok gyakorlatához hasonlóan az úgy nevezett jelen idejű problémák (a tényszerű pl. jogi, adózási ismeretek megszerzésének előmozdítása) magától értetődő kezelhetősége miatt Magyarországon is nagyobb súllyal szerepelnek, mint a jövő idejű problémák (mi lesz, ha típusú kérdések).

Egy németországi felmérés tanúsága szerint az előrelátás (előrejelzési készség) és az elemzőkészség, mint tudományosan elismert szaktanácsadói tulajdonság fontossága a gazdálkodók szemében a legutolsó helyekre szorult, szemben a tényszerű szakismeret, az aktualitások tényszerű ismerete és számos más, talán leginkább pszichológiai jellegűnek nevezhető (pl. empátia, diszkréció, személyiség) tulajdonsággal szemben .

Ennek oka első megközelítésben két, egymásnak ellentmondó összefüggésre is visszavezethető. Egyrészt igaznak tűnik, hogy az érintettek általában azt nevezik meg fontosnak, amit hiányolnak – így tehát a nem fontos megjelölés azt is jelentheti, hogy nagyjából egészéből elégedettek az adott helyzettel. Másrészt azonban a direkt értelmezésnek is létjogosultsága van. Ezért, ami nem fontos, az nem is szükséges. Az előrejelzés és az elemzőkészség ilyeténképpeni leértékelése – figyelembe véve a kutatás e területen tapasztalható topogását – arra enged következtetni, hogy a háttérben a „szükségtelen, mert lehetetlen” elv látszik hatni. Ennek gyökerei pedig a mindenkori ismeretszintben keresendők, vagyis abban, hogy milyen kérdésfeltevésekről hisszük (tanultuk), hogy egyáltalán sikeresen megválaszolhatók. Ezért az oktatás, továbbképzés tartalmának aktualizálása (az új lehetőségekre való rámutatás) rendkívül fontos, mint ahogy azt a tanulmány bevezetőjében kiemelt 4. pont is jelzi. (Példa: Egyrészt az ősi, népi bölcsességekből, másrészt tudományos szinten pl. Davitaja 1960-as évekbeli munkáiból egyértelműen kiolvasható a hosszú távú meteorológiai előrejelzések lehetősége. Az agrárszakemberek azonban manapság ezt nem ismerik el, sőt sok esetben tagadják is, lemondva ezáltal a természeti környezethez való helyesebb adaptáció nyújtotta gazdasági előnyökről.)

A tanulmányban a szaktanácsadás és az informatika szoros összefonódásának számtalan bizonyítéka található meg. Ennek egyik – szintén a tanulmány bevezetőjében 3. pontként kiemelt – formája az agrárinformációs adatbázisok létrehozása. Az e területen történt erőfeszítések és eredmények alapján kijelenthető, hogy ezek az adatbázisok a valóság dinamikájából is következően, kényszerűen idősorokat fognak magukba foglalni (pl. ANIMALDB, Debrecen). Az idősorok egyrészt (magától értetődő természetességgel) a nyilvántartást, az ellenőrzést (TÉNY értékek) szolgálják. Másrészt a TERV-TÉNY összehasonlítás alapján a visszacsatolásos szabályozás alapját teremtik meg. Harmadsorban azonban lehetőséget nyújtanak az előretekintésre (prognózisok), a térbeli kiterjesztés (térinformatika+táblaspecifikus elemzések) illetőleg az analógiák (pl. üzem-összehasonlítás, üzemelemzés) felfedésére.

90

Ez utóbbi területek a kutatás legújabb eredményeinek tükrében az eddigi tényszerű ismeret-(adat)-átadás mellett gyakorlat számára is hasznos segédeszközt jelenthetnének, amennyiben a fogadókészség létrejönne (l. oktatás-továbbképzés szerepe). Az adatbázisok létrehozatala, karbantartása anyagi oldalon csak egy a gazdálkodók feletti (állami) szinten képzelhetők el. Így az ilyen típusú „információ”-szolgáltatás kényszerűen (nyugati mintára) az ingyenes állami szaktanácsadás feladatai közé tartozna. Ugyan maguk az új elemző és előrejelző eljárások egyszerűek (felhasználóbarát programok), adatigényük kielégítése azonban bonyolult technikai előfeltételeket és alkalmazói ismereteket (hardver, szoftver) követel meg.

Így első lépésként már az is nagy eredmény lenne, ha szaktanácsadók és kutatók alkalmaznák ezeket, s állítanak elő segítségükkel egy lehetőség szerint részletes (minden idősort és hasznos előretekintési mélységeket magába foglaló) jövőképet, mely azután minden gazdálkodó illetőleg érintett (kormányzat, érdekvédelem, ...) számára elérhető lenne. A jövőkép felhasználása a napi munkában az egyéni rátermettség illetőleg további szaktanácsadói értelmezés alapján képzelhető el (stratégiai tervezés). Addig azonban, míg az alapadatok (jövőkép) nem állnak rendelkezésre kényszerűen leragadunk a napi problémáknál, melyek koncepció nélküli megoldása csak ezek magunk előtt görgetését jelenti. Az agrárinformációs adatbázisok (pl. meteorológiai adatok) sokkal több értéket képviselnek, mint azt a mai feldolgozó eljárások eredményei alapján gondoljuk. A szaktanácsadás fejlesztése kapcsán ezért elkerülhetetlen a prognosztika szerepének újragondolása.

9.4.2. Az időinformatika koncepciója

Egységes rendszerbe (pl. tér-idő-jelenség-mátrixba) foglaltan gyűjti és dokumentálja nyilvánosan elérhető adatait. Ebbe a logikai rendszerbe elméletileg minden ma ismert adatbázis integrálható. Az egységes adatbázis-szerkezet támogatja az analógiák felismerését és a magyarázó tényezők nagy számának, azaz a komplexitásnak a kezelését.

Az időinformatika feladata, s egyben kérdéskatalógusa is: az ismert (mért, megfigyelt) jelenségek értékeinek „tetszőleges” jövőbeli illetőleg térbeli pontra/tartományra való levezetése a létező adatok birtokában, valamint olyan általános mérőszám(ok) lefektetése, mely megadja a levezetett értékek jövőben várható helyességét (bekövetkezésének valószínűségét).

Az időinformatika módszertani katalógusa olyan eljárások gyűjteménye, melyek biztosítani képesek a levezetések maximális reprodukálhatóságát. A reprodukálhatóság adja az alapját egy állandóan ható versenynek, mely lényege az idő- és térbeli általánosítások helyességének (pontosságának, bekövetkezési gyakoriságának) monoton növelése, illetőleg határainak kimutatása.

Az időinformatikát mindenki gyakorolhatja, aki eljárását hajlandó reprodukálható formában dokumentálni és felhasznált adatbázisát az ellenőrizhetőség okán közhasznúvá tenni. Nem kizáró, de lényegi elvárás a módszerek automatizálhatósága, vagyis emberi döntési pontoktól való lehetőség szerinti függetlenítése.

Az időinformatikában – hasonlóan a rekordok könyvéhez – a résztvevő kutatók és intézmények állandóan informálva vannak az eddigi legjobb eredményekről, illetőleg az ezekhez tartozó módszerekről. Az időinformatika mindenkori rekorderei jelentik a tudományterület elitjét.

Az időinformatika célja, hogy a valóság részleges ismeretében olyan összefüggéseket tárjon fel, melyek lehetővé teszik időben és térben a jelenségek várható értékeinek levezetését a teljes értelmezési tartományban, s ezáltal részletes jövőképeket adjanak a döntéselőkészítők (tervezők) és döntéshozók kezébe, melyek kiértékelése, célokkal való összevetése és a rangsorok felállítása szubjektív jellege révén továbbra is emberi feladat marad.

91

Az időinformatika információs értéke abban mutatkozik meg, hogy konszenzusra alapozva, ellenőrzött körülmények között, mérhető módon és dinamikus fejlődést mutatva viszonylag rövid idő alatt képes kijelentéseket tenni arra vonatkozóan, hogy adott kérdés, adott időpontban, milyen pontossággal kezelhető. Ennek alapján a kutatók tisztábban látják az előttük álló feladatokat, a döntéshozók pedig mérlegelni tudják – főleg, ha saját intuitív alapú becsléseiket rendszeresen ellenőrzik -, mely területeken érdemes kiegészíteni az intuíciót a gépi jövőképpel.

Az időinformatika alapvető tartalma nem új, hiszen a prognosztika, futurológia, rendszerelmélet, modellezés, matematika, statisztika, stb. tudományterületek eddig is foglalkoztak az itt felvázolt kérdésekkel. Az időinformatika szükségszerűsége mégis abban áll, hogy radikálisan középpontba állítja a közös célrendszeren alapuló verseny, a maximális reprodukálhatóság és a lehetőség szerinti automatizálás elveit, melyek a továbblépés érdekében elkerülhetetlenek.

9.4.3. Automatizáció és manufaktúra

Az időinformatika összefüggéskereső tevékenysége tehát nem nóvum, azaz nem más, mint maga a modellalkotás. A modellalkotás ma általános gyakorlata nagy mértékben az emberi intuícióra (kézi vezérlés, manufaktúra). Így időigénye és ebből következően költségvonzata jelentős. A tudományos modell-manufaktúrákban érvényesülő automatizálási törekvések leginkább egy-egy szűk értelmezési tartomány optimumának számítását tűzték ki célul (vö. LP, regressziószámítás, operáció kutatás), feladva az alapkérdést (függvénytípus) a „helyes” paraméterek kedvéért. Az így létrejött – többnyire monopolizált adatbázisokra, ill. mérési eljárással nem mindig támogatható tényezőkre alapozó – megoldások vagy túl specifikusak (pl. termelési függvények) vagy túl általánosak (pl. növekedési modellek) voltak. Az eljárások maguk pedig csak nehézkesen tették/teszik lehetővé új, hasonló logikájú kérdések gyors megválaszolását.

A legutóbbi időszak módszertani eredményei, pl. a mesterséges neuronális hálózatok (és esetlegesen az ugyan zömmel, de nem feltétlenül kézi vezérléssel előállított szakértői rendszerek) azonban végre áttörni látszanak az eddig áthághatatlanként kezelt határon és az összefüggés-keresést többé-kevésbé kiterjeszteni próbálják eddig még ki nem próbált összefüggéstípusokra. Ezáltal lehetővé teszik a kérdésspecifikus, példaalapú, automatizált összefüggés-keresést, valamint a maximális válaszadási pontosság közelítését.

Az új módszerekre támaszkodva ma már korlátlan mennyiségben és igen rövid idő alatt lehet olyan összefüggéseket kerestetni, melyek „darabjáért” még néhány évtizeddel ezelőtt magától értetődően, de talán manapság is tudományos címeket lehet(ett) kapni (pl. termelési függvények), nem beszélve azokról az összefüggésekről, melyek létét még ma is sokan ösztönösen tagadják (pl. hosszú távú időjárás-előrejelzés). Az említett módszerekkel ezenkívül nem csak tényadatok, hanem egyidejűleg szakértői tapasztalatok is feldolgozhatók, archiválhatók és bárhol rendelkezésre bocsáthatók.

Így az adatbázisok, gépi mérések korlátozottsága részben kivédhető (vö. heurisztikus klasszifikáció, abdukció). Ma már tehát nem az a kérdés, hogy létezik-e egy-egy összefüggés, hanem sokkal inkább az, hogy a lehetséges alternatívák közül, melyiket ítéljük a legperspektivikusabbnak (céltalanság tétele).

Az időinformatika szolgáltatásai az automatizáltság magas foka miatt mindenki számára (gazdálkodó, érdekképviselet, kormányzat) elérhetők, azaz megfizethetők abban a pillanatban, amint adott kérdés kapcsán az felhasználó által szükségszerűnek minősített alapadatokat tartalmazó adatbázisok elfogadható áron hozzáférhetők. A feldolgozás költségei az adatbázis kialakításának és fenntartásának költségeihez képest tehát elvileg elenyészőek. Az újszerű eljárások jelen formájukban oly egyszerűek, hogy az oktatás, illetve a szaktanácsadói, szakértői hálózat ismeretanyagának szerves részévé válhat a „jövőképelemzés”.

92

A módszerek alkalmazása azonban az alkotói (kutatói) kreativitás kiaknázása érdekében a tudományos műhelyek berkein belül kellene, hogy maradjon. A képzéssel, a szakértőkkel és szaktanácsadókkal való kapcsolat alapvető fontosságú, hiszen a gépi eredmények interpretálás nélkül nem mindig jelentenek direkt „információt” a potenciális felhasználóknak (pl. eredmény: dollár árfolyama feltehetően x%-kal nő adott időintervallumban – mindenkit másként érint).

Tudományos és társadalmi szempontból mindenképpen szükségszerű lenne egy (lehetőleg elektronikus és szelektíven lekérdezhető) orgánum indítása, melyben a ma elérhető adatbázisokra alapuló feldolgozások eredményei – a verseny és a reprodukálhatóság kritériumainak figyelembe vételével – publikálásra kerülnének. Így a forrásintézmények (kutatóhelyek, szolgáltatók) olyan referenciára tehetnének szert, mely piaci hitelképességüket valódi értékekre alapozva növelné. Természetesen az adatok óriási jelentősége és a szükséges eljárások viszonylagos ritkasága miatt az erőforrások monopolizálásának veszélye – mint mindig – ez esetben is reálisan fennáll. Ez ellen, vagyis a gazdálkodás országos színvonalának emelése és a példamutatás érdekében – hasonlóan s esetleg kapcsolódva a térinformatikához – bizonyos állami szerepvállalás (pl. hosszú távú meteorológiai események, bel- és világpiaci árak, ill. forgalom előrejelzése) relatíve kis költségek (pl. FAO adatbázis, hazai adatok) mellett projektszinten is hasznos lehet.

Az időinformatika gyakorlata felveti az emberi döntések rendszeres ellenőrzésének kényszerét és a gépi javaslatokkal való együttműködni tudás szükségszerűségét. A versenyképesség növelése bármilyen eszközzel történjék is, nem nélkülözheti a tényekkel való szembenézést és új képességek elsajátítását. Az időinformatika léte, szolgáltatásainak igénybe vétele annál szükségszerűbb, minél kisebb az emberi észlelésből származó információk aránya az adatbázisokéhoz képest (mikrogazdaság vs. makrogazdaság), illetőleg minél gyakoribb (ismétlődő, hasonló) döntési típushelyzeteket kell megoldani.

A „négyszemközti monopol-információkra” alapuló, a mindenkori status quo megőrzését célzó „gazdálkodás” eddig sehol sem igényelt, s ezután sem fog igényelni tudományos támogatást szemben az esélyegyenlőségre alapuló piaci versennyel. Azonban az egyedi intuitív képességek pozitív „monopóliuma” továbbra is a társadalmi-gazdasági mozgások fontos befolyásoló tényezőjét fogja jelenteni.

9.4.4. Ellenőrző kérdések

Miért szükséges egy agrár szaktanácsadó szolgálat? Milyen formái ismertek az agrár szaktanácsadásnak? Milyen agrár információs források, kapcsolatok léteznek? Hogyan néz ki az országos és az egyetemi agrár szaktanácsadás koncepciója? Mi az idő informatika lényege?

93

II. MÓDSZERTAN

10. Kiindulási tézisek az I. rész alapján

Az első részbe összeválogatott témakörök a SUECR-modell alapján egy, a problémamegoldást jellemző szituáció-leírásnak tekinthetők, melyek a szakértői rendszerek és később az automatikus ismeretszerzés módszerei című részben kiegészülnek az egyes módszereknek (utaknak), s ezek alkalmazási lehetőségeinek (eredményeknek) a bemutatásával. A problémák létezése, s így megoldása is emberhez kötött. Gépek csak feladatokat tudnak kezelni

emberek által kitalált algoritmusok alapján. A problémamegoldásban a cselekvési alternatíváktól várt következmények ismeretének központi

szerepe van. Helyes következménykép (jövőkép) nélkül bármiféle optimalizálás értelmetlen. A célok tisztázása, egy mérőszámmá alakítása után elsődleges feladat tehát a minél valósághűbb út-eredménypárok kidolgozása. Az ember nem képes érdemben előrejelzések nélkül dönteni.

A jövőkép egyrészt lehet nem tudatosult, azaz intuitív, másrészt tudatos, vagyis módszeresen levezetett. A jövőkép létrehozásának alapja egy adott probléma kiindulási feltételei és a lehetséges cselekvési utak következményei közötti összefüggés ismerete.

A tudás két részből áll: objektív és szubjektív tudásból. Az objektív tudás feladata a valóság jelen idejű és jövőbeli alakulásának minél kevesebb torzítást tartalmazó leképezése. Az objektív tudás, vagyis az összefüggés-keresés algoritmizálható. A szubjektív tudás nem más, mint a feltételezett valóságra való önkényes reagálás képessége.

Az információ, mint ahogy a probléma is, csak emberhez kötötten létezik. Az információ a célok és a valóság eltéréseinek mutatója. Bizonyos helyzetben bizonyos észlelések (adatok) ismerete nagyobb valószínűséggel enged információ (képességbővülés, cselekvés) keletkezésére következtetni, mint más észlelések esetében.

A valóság nem reprodukálható, csak viselkedésében hasonló rendszerekkel közelíthető. A valóság zárt, dinamikus rendszer, melyben tényezők (attribútumok) és objektumokra vonatkozó állapotváltozások azonosíthatók. Csak előrejelző típusú modell van.

Soha nem tudjuk megmondani, hogy melyik modell a legjobb, mert nem ismert, hogy mekkora eltérést engedhetünk meg (kell, hogy megengedjünk) a valóságtól adott keretfeltételek alapján.

A szubjektív keresési tér elvileg végtelen. Az ember nem képes tetszőleges mennyiségű adatot kezelni. Az ember hajlamos elhamarkodott következtetések levonására. Az intuitív gondolkodók problémakezelésben megfigyelhető eredményessége alapján léteznek relatíve kevés tényre támaszkodó, mégis a problémarendszert viszonylag jól jellemezni képes összefüggésformák (aránytalanság).

Az adatgyűjtés, és -feldolgozás nem öncélú, feladata információs többletérték realizálása. A többletérték a célok eléréséhez szükséges erőforrások csökkentésében és a nem kívánt jövőbeli állapotok elkerülésében konkretizálódik.

A szaktanácsadás illetőleg az egyéni problémamegoldás nem feltétlenül törekszik az objektív valóságkép (jövőkép) tudatosítására. A célok önkényes átértelmezésével minden cselekvési variáns igazolható, s a pszichológiai stabilitás elérhető.

A hatékonyabb problémamegoldás a sikeres problémamegoldó típusok képességeinek gépi rögzítésével és terjesztésével elérhető. Ehhez azonban a felhasználók fogadókészségének emelése is elengedhetetlen. Ebben az oktatásnak, továbbképzésnek elsődleges szerepe van.

A tudományos eredmények bizalmi áruk. A publikációk zömmel nem reprodukálható eredményekről tudósítanak. A felhasználó nem tudja, milyen valószínűséggel igaz egy adott összefüggés az ő esetére ill. általában. Demokratikus adatbázisokra és egyedileg kezelhető információgenerátor programokra támaszkodva az adatokban rejlő értékek feltárása javítható.

Adatbázisaink, mint a valóság, dinamikusak, azaz idősorokból állnak. Ezek feldolgozásának egyik fontos formája az előrejelzések készítése. A meglévő idősorokból automatikus eljárásokra támaszkodva jövőképet kellene készíteni, melyet mindenki saját céljai szerint értelmezhet.

94

11. Mesterséges intelligencia

A mesterséges intelligencia kutatás elfogadott definíció híján leginkább tevékenységi területével jellemezhető. A kutatott területek közé tartozik: az ember és gép között természetes nyelven történő kommunikáció lehetőségeinek kutatása, az automatikus programozás és bizonyítás kidolgozása, gépi tanulás elveinek vizsgálata, a képfelismerés lehetővé tétele, a robotika és pl. a szakértői rendszerek fejlesztése.

Az interdiszciplináris kapcsolatokat az alábbi felsorolás tartalmaz:

Kapcsolódó tudomány területek: pszichológia logika kognitív tudományok lingvisztika fiziológia pedagógia

Kapcsolódó módszerek: tanulás ismeretszerzés ismeretábrázolás beszédértés heurisztikus keresés konnekcionizmus kognitív modellek következtetés tervezés

Az intelligencia fogalmán túl érdekes – filozófiai jellegű – kérdésként vetődik fel az, hogy vajon a gépek képesek-e gondolkodni. Találó és rövid válaszként a film analógiája hozható fel: Az ember a „mozgó”-film hátterében megbújó érzékcsalódást már elfogadta. Így lesz ez előbb-utóbb azon informatikai érzékcsalódással is, miszerint a gépek gondolkodni tudnak. A valóságban az MI keretében folyó munkák tehát nem elvont célokat követnek, hanem csak azt akarják a gépekkel automatizáltan végrehajtatni, amit mi emberek nap, mint nap megtenni kényszerülünk.

11.1. Az MI definíciói

Ha mégis valamiféle általánosabb jellegű definíciót kellene megfogalmazni a mesterséges intelligencia kutatással kapcsolatban, akkor Rich figyelemre méltó gondolatai nyomán MI mindaz, ami a számítógépet képessé teszi olyan tevékenységek ellátására, melyet addig csak az ember volt képes elvégezni. Következésképpen az MI a kutatási eredmények folytonos halmozásával egy dinamikusan változó tématerület.

Egy másik, némileg absztraktabb megközelítés szerint az MI körébe tartozó eljárások képesek a problémákat (helyesebben a feladatokat) „emberi”, emberhez közeli módon megoldani. Így intelligens mindaz, ami annak látszik, illetőleg, amit mi emberek intelligensnek tartunk.

Itt jegyzendő meg, hogy a definíció hiánya, sőt az emberi szubjektivitás kontroll-tényezővé emelése a MI kutatást körüllengő misztikum elsődleges forrása. A tudományos eredmények terjedésének és használatának többet árthat a ködös fogalmak használata, mint amennyit a hangzatos frázisok egy látszólag pozitív tudomány-image megteremtésével hozhatnak.

Az intelligencia fogalmával szemben kialakított elvárások és követelmények bizonytalansága bármilyen kis eredményt e hangzatos jelző használatára jogosít fel. Rich találó definícióját következetesen értelmezve a számítógép megjelenésével egyidőben minimálisan elvárásként létrehozott alapművelet-végző képesség a mesterséges intelligencia kutatás első eredménye. S minden, azóta létrejött alkalmazás jogosan nevezhetné magát egy az intelligens képességet megtestesítő eredménynek.

95

A fentiek értelmében pl. a regresszió analízis módszere egyike a legelső automatikus tanulásra képes eljárásoknak, hiszen egy adott ponthalmazhoz kialakított függvényt új adatok megjelenésekor módosítani képes, azaz, ha akarjuk, akkor úgy mond tanul a pótlólagos inputokból. Természetesen azon mindig el lehet vitatkozni, hogy az adatokból levezethető összefüggés módosulása a tanulás és/vagy (csak) csak metaszinten a levezetést lehetővé tevő ismeretek (algoritmus) módosulása tekinthető annak.

Mint ahogy azt az adat-információ-tudás definiálásával kapcsolatban megfigyelhettük, a helyes definíció nem csak egyetlen fogalom kapcsán kell, hogy rendet teremtsen, hanem a kapcsolódó fogalmak teljes körét kell, hogy rendszerezni tudja. Ez azt is magával hozza, hogy a célok és kritériumok tisztázásával az egyes kutatók és felhasználók helyzetfelmérő-képessége (tudományos feladatlista), önértékelése is javul, ami a többletérték-teremtés (pl. ötletek továbbfejlesztésének) alapja.

11.2. Az MI története

A kezdetek Neumann és Turing nevéhez kötődnek. Turing az 50-es években már felvetette annak gondolatát, hogy a számítógépek nem csak számolni lesznek képesek, hanem bonyolult (intelligens) magatartásformákat is fel fognak tudni mutatni. A komputerek megjelenésével kezdetét vette a nagy kísérlet, az emberi gondolkodás gépi szimulálása. Az azonnal jelentkező fő nehézségek két okra voltak visszavezethetőek. Egyrészt a valós problémák túl komplexnek bizonyultak, azaz már egyszerű problémák megoldásakor is

a lehetséges megoldási tér nagysága illetőleg a kiértékelendő állapotok száma óriásinak bizonyult. A méretproblémák megoldása hatékony (minél célirányosabb) keresési algoritmusokat illetőleg a problématerületek szűkítését követeli meg.

Másrészt felmerült a valóság digitalizálásának kényszere, pl. képek, hanganyagok kezelhetővé tétele céljából.

A mesterséges intelligencia fogalom születése az 1956-os darmouthi konferencia időpontjával esik egybe, ahol is többek között Minsky, McCarthy, Newell és Simon irányításával a terület kutatásait akarták koordinálni.

A következőkben P. Jackson nyomán a MI története három periódusra osztva kerül bemutatásra.

A klasszikus periódus (1955-1965)

Az első fázisban olyan elvek után folyt a kutatás, melyek általában, azaz bármely probléma felmerülése kapcsán alkalmazhatók lettek volna. Az 1957-ből származó GPS (General Problem Solver) program fejlesztői (Newell, Simon, Shaw) elérték ugyan, hogy az eljárás bizonyos játékokat jól tudott játszani, de általános problémamegoldó stratégiának nyoma sem volt a rendszerben. Az eljárás készítőinek véleménye szerint nem is tanácsos GPS-t továbbfejlesztése érdekében fáradozni, ennek megvalósítása ugyanis lehetetlennek látszik.

A romantikus periódus (1965-1975)

A kezdeti kudarcokból tanulva az újabb projektek ugyan már konkrét problémákat akartak megoldani, de még mindig általános jellegű megoldási elvek után kutatva. A kezdetleges eredmények nem jutottak túl a műhelyek küszöbén, s a gyakorlati felhasználásuk csak álom volt.

A modern periódus (1975-)

A modern periódus kezdetét Davis kijelentéséhez köthetjük, mely szerint nem az általános elvek, hanem a gyakorlatorientált, problémaspecifikus tudás az, amely a megoldásokat nagyban előremozdítja. Így alakultak ki a szakértői rendszerek is, melyek az emberi szakértők gépi szimulálásának tekinthetők.

96

11.3. Jelentősége az agrárinformatika számára

Egy új tudományos paradigma három tekintetben lehet hasznos. Először is az ismert problémák hatékonyabb megoldásához járul hozzá. Másrészt a régi problémák új perspektíváit nyitja meg, ill. ezeknek megoldásait megkönnyíti vagy

lehetővé teszi. Végül egy új paradigma teljesen új gondolkodási folyamatokat indíthat el.

11.3.1. Az ismert problémák megoldása

Rövidtávon a mesterséges intelligencia paradigmájának hasznosságát az agrárszektorban alkalmazott számítástechnikai tudományokra azon lehet lemérni, hogy milyen ismert problémákat lehet vele jobban megoldani, mint a hagyományos módszerekkel. Ennél figyelembe kell venni azt, hogy a mesterséges intelligencia módszereinek jó tulajdonságai különösen abban rejlenek, hogy bonyolult megoldási tereket lehet így átvizsgálni és azoknál a problémáknál, melyek adaptív tanulást igényelnek, megoldást lehet kínálni. Mivel jelenleg az agrárterületen igényesebb komputer-alkalmazásokat a bonyolult optimalizálási problémák megoldásához csak ritkán használnak, kevés okunk van hinni abban, hogy ezeket a problémákat ezentúl majd éppen pl. genetikai algoritmusokkal oldják meg. Kivételek valószínűleg azok a problémák lehetnek, melyekben a probléma komponenseinek földrajzi besorolása érdekes. Ilyen feltételek mellett a probléma megoldók bizonyára készségesen visszanyúlnának a celluláris automatákhoz, különösen azért, mert erre már nagy teljesítményű számítógépes programok állnak rendelkezésre (pl. GIS/GPS).

11.3.2. Új perspektívák a régi problémákra

Középtávon, ha a mesterséges intelligencia paradigmáinak agrárterületen levő hitelessége és elterjedését nő, akkor ezen koncepciók és módszerek egy fajta új – a régieket felváltó vagy teljesen új megoldási utak megnyitó – problémaszemlélethez is ösztönzést adhatnak. Egy példa erre a mesterséges intelligencia módszereinek alkalmazása antagonisták stabil együttműködési esélyeinek vizsgálatára. Az 50-es évek kezdetétől fogva nagy jelentőséggel bíró kooperációs problémák egy osztályát „Fogoly dilemmája”-játéknak nevezik. Ennél a játéknál úgy egyszeri, mint ismert, véges számú ismétlés során is az együttműködés nélküli viselkedés a domináns stratégia racionális játékosok számára. Ezek az analitikus eredmények csak kevés reménnyel kecsegtetnek a kooperációk lehetőségeit tekintve, ill. a szűkös természeti erőforrások közös hasznosításánál. Ezek az eredmények két – látszólag – tetszőleges játékos esetére vonatkoznak. Azonban a mesterséges intelligencia módszereinek alkalmazásával fényt lehetett deríteni arra, hogy meghatározott kiindulási feltételek mellett a kooperatív viselkedés éppúgy elvárható, illetve hogy az együttműködő szereplők csoportjai az együttműködés nélküli kizsákmányolók elterjedése ellen hatékonyan védekezni képesek . A mesterséges intelligencia módszereinek segítségével lehetővé vált tehát az intézményes szabályok szűkös természeti erőforrások tartós hasznosítására gyakorolt hatásainak újszerű vizsgálata.

Egy másik példa lehetne a döntéshozatal önkontrollja és a magatartásmodellek szalonképessé válása nyomán várható döntéshozói pálfordulás, vagyis az, hogy a soha nem bizonyított alapokra támaszkodó magabiztosságtól ittas döntéshozó nem szuverén belügyének tekinti jövőképének helyességét, hanem saját szakértői (szenzoros és intuitív) képességeit tudatosan versenyezteti a döntéstámogató programok szintén versenyszemléletű (vö. időinformatika) produktumainak pontosságával. Az új helyzetben az ismétlődő (hasonlósági típusú) döntések helyessége egy új határértékhez kellene, hogy monoton közeledjen.

11.3.3. A gondolkodásmód befolyásolása

Hosszútávon az új, eredményes paradigmák nem csak az ismert problémák jobb megoldásához vagy új, sokat ígérő problémaszemlélethez vezetnek, hanem tartósan befolyásolják a gondolkodásmódot és a világnézetet is. A mesterséges intelligencia kétféle módon tudná a gondolkodást termékenyebbé tenni és a

97

világnézetünket kiszélesíteni. Először is a mesterséges intelligencia az evolúció (kombinatorika) hatalmát szemlélteti és megmutatja, hogy az evolúció más, nem biológiai folyamatok esetén is hatékonyan használható. A másik esetben a mesterséges intelligencia lehet az egyszerű elemek sokaságának irányítatlan kölcsönhatásából adódó komplex jelenségek (emergencia) magyarázatára (szimulálására). Az emergencia azt is jelenti egyben, hogy a központi ellenőrzés nem szükségszerű feltétele a sok rendszerkomponens komplex együttműködésének. Ennek belátása hosszú távon nagy jelentőséggel bírhat a mezőgazdasági rendszerek szabályozásában és managementjében.

11.4. Kitekintés

A mesterséges intelligencia kutatási területe a gyakorlati informatikus részére új módszerek és újítások sorát nyitja meg, melyek az agrárinformatika problémái esetén is hatékonyan alkalmazhatóak. Hogy ez a potenciál mennyiben realizálódik az először is attól függ a tapasztalatoktól, melyeket az új generációk ezen módszerekkel szereznek. Valószínűleg először a celluláris automatákat fogják alkalmazni, mivel ez a módszer a térbeli kapcsolatok és folyamatok modellezésére különösen alkalmasnak tűnik. Ugyanúgy várható az is, hogy a mezőgazdasági problémákra specializált adaptív ágensek bizonyos mértékben elterjedhetnek. Végül a genetikai algoritmusokat a mezőgazdaságban főleg a kutatás területén fogják alkalmazni. A mesterséges intelligencia esetében az jelentené a legnagyobb sikert, ha a módszereket és újításokat az agrárinformatikusok állandó eszközként tekintenék és nem valami speciális módszereként.

11.5. Kommentár

Mint az eddigiekből világosan kiderül a mesterséges intelligencia módszerei a megoldandó probléma tartalmától jórészt függetlenek (context free), vagyis kellő módszertani ismeret birtokában, illetőleg kombinatorikai szemlélet mód mellett bárhol, bármikor bevethetők. A megoldás helyessége – mint minden felfedezés esetén – alapvetően a kutatói intuíción múlik, vagyis azon, mennyire szakszerűen sikerült a végtelen megoldási teret valamilyen okból magyarázhatóan, ill. véletlenszerűen lehatárolni.

98

12. A szakértői rendszerek jellemzése

A következő pontokban a viszonylag új és átfogó jellegű (kikristályosodni látszó tartalmú) szakirodalomból kiindulva, valamint a fenti téziseket egyidejűleg figyelve a szakértői rendszerek (SZR) sokrétű, kritikai elemzése következik, azzal a nem titkolt szándékkal, hogy e módszertani lehetőséget körüllengő misztikum végre feloszolhasson, s az e technikában rejlő lehetőséget a maga egyszerű valóságában értelmezhessük. A szakértői rendszerek olyan számítógépes felhasználói programok, melyek a mesterséges intelligencia (MI) kutatás tudományterületéhez tartoznak. Hasonlóan a mesterséges intelligencia fogalmához, a szakértői rendszereknek (SZR) sincs elfogadott definíciója. Szükségmegoldásként találhatunk olyan megfogalmazásokat, mint pl. a SZR adott kérdéskör kapcsán felmerülő ismeretek alapján képes intelligens következtetéseket levonni,

vagy a SZR segítségével az emberi problémamegoldó-képesség konkrét kérdéskörre vonatkoztatva

modellezhető.

Az első „definícióval” az a baj, hogy a lényegi jelző (az intelligens) nem határolható körül. Azaz végül is nem dönthető el két következtetésről (az ezeket szállító eljárásokról), hogy melyik intelligens(ebb) illetőleg tekinthető-e egyáltalán bármelyik is intelligensnek.

A második „definíció” azt állítja, hogy az emberi problémamegoldó-képesség, amit nem ismerünk, hiszen a terület specialistái sem tudnak definiálni, modellezhető, azaz egy amorf valamihez egy másik, hasonló rendszer alkotható.

A problémamegoldás központi kérdése és az adat-információ-tudás fogalmak definiálása kapcsán felmerült gondolatok alapján a következő pragmatikus definíciót szeretném a szakértői rendszer fogalmára javasolni:

A szakértői rendszer olyan eljárás, amely lehetővé teszi tetszőleges tényezők kapcsolataihoz (állapot-kombinációkhoz) tartozó következmények összefüggés-rendszerének számítógépes formában történő kezelését.

Tehát egy SZR képes választ adni, a „mi van/lesz, ha” kérdésre, vagyis képes a valóság modellezése révén összefüggések (hozzárendelések) leírására.. Így az SZR az objektív tudás tudatosodott, algoritmizálható formája.

A SZR a felsorolt jellemzők tekintetében még semmiben sem különbözne bármely, eredményül függvényt (hozzárendelést) megadó matematikai, statisztikai eljárástól (regresszió analízis, diszkriminancia analízis, stb.).

Kiegészítésképpen definiálandó még, hogy milyen típusú tényezők, milyen típusú összefüggéseit lehet egy SZR-ben kezelni:

A SZR tehát szabályelvű, azaz alapvetően logikai műveletekre támaszkodik és alapvetően nem metrikus skálák adatait (tényezők opcióit, pl. színek, rangsorok) kezeli.

Míg a numerikus függvények összefüggései szabályokká alakítható az ábrázolási skálák hierarchiája értelmében, addig a SZR által szállított szabályrendszerek nem transzformálhatók úgymond felfelé. Tehát minden numerikus függvény (összefüggés) egyben szabályrendszer is, míg fordítva ez nem igaz (vö. abdukció).

99

Ezzel az összetett definícióval talán sikerült a légies fogalmakat a földre kényszeríteni, s a SZR definícióját a misztikumtól megfosztani. A SZR logikájában tehát semmiben nem különbözik bármely, hozzárendeléseket megadni képes matematikai vagy statisztikai eljárástól. Egyedül a lehetséges kiindulási helyzetek és a rendelkezésre álló függvényképzési (hozzárendelési) komponensek szerint lehet a konkrét eljárásokat néven nevezni. Minden összefüggés-keresési eljárás kérdése közös, vagyis „Mi az a kapcsolatforma, amely adott kritérium rendszer alapján bizonyos kiindulási helyzetekhez legjobban illeszkedik?”

A szöveggyűjtemény nem érzi feladatának e helyen az összefüggés-kereső eljárások tipológiájának elkészítését és bemutatását. A következő részekben (pl. Az automatikus ismeretszerzés módszerei) bemutatásra kerülő eljárások azonban kényszerűen megadják a csoportosítás főbb szempontjait és magukat a lehetséges típusokat.

12.1. SZR fogalmi kapcsolatai

Visszazökkenve a szakirodalmi mederbe – a részletekbe menő jellemzés előtt – további alapfogalmak (tudás, heurisztika, tény, következtetés, magyarázóképesség) felismétlésére (az újrafogalmazásban rejlő tanító effektusok kiaknázására) és tisztázására van szükség.

12.1.1. Tudás

A tudás vagy ismeret nem más, mint képesség a célirányos (szubjektív) cselekvésre a valóságismeretre (az objektivitásérzékre) támaszkodva.

A valóságismeret alapja a jelenségek rendszerszemléletű kezelése, vagyis a rendszerkomponensek és kapcsolataik értelmezése (összefüggés-keresés). A szubjektív vonatkozások adják meg a cél-, vagy outputkomponensek mibenlétet, fontossági sorrendjét. Az objektivitásérzék magukat a rendszerelemeket és kapcsolataikat kell, hogy definiálja.

A felismert kapcsolatok minősége függ a komplexitáskezelő-képességtől (agykapacitás, alaposság, hajlam a lustaságra, elhamarkodottságra). Minél kevesebb megfigyelésre támaszkodunk annál egyszerűbb relatíve jó összefüggést találni, s annál valószínűbb az is, hogy ezen összefüggés a jövőben egyre hamisabb képet szállít, illetőleg módosítandó.

A tudás valóságot érintő része (objektivitásérzék, összefüggés-keresés) algoritmizálható. Az ember SZR számára fontos tudása nem más, mint képesség összefüggések formalizált (programformájú) leírására (vö. hangos gondolkodás).

A gyakran emlegetett példa, miszerint egy jó szakember számára mennyi mindent (pl. kitűnő fejő, kitűnő takarmányozás, kitűnő fajta, ...) jelent az a tény, hogy egy tehenészet átlagban 9000 kg tejet fej laktációkként és tehenenként, átfogalmazva az itt alkalmazott terminológia szerint, úgy hangzik, hogy a jó szakember tudása abban áll, hogy a többiekhez képest pontosabban tudja a választ a „mi kell ahhoz, hogy X kg tejet fejhessünk átlagban laktációkként” kérdésre. Tehát a jó szakember ismeri a befolyásoló tényezőket és a köztük ható összefüggéseket (rendszerelvűség). Ez azt is jelenti, hogy belső érzéseire támaszkodva – nem igazán tudatosan – mérlegelni képes pl. az átlagtól jobb és rosszabb tényezők eredményre gyakorolt hatásának eredőjét, azaz választ tud adni az úgy feltett kérdésre is: Csökken vagy inkább nő a tejhozam, ha a takarmányadagban az energiatartalom x%-kal csökken, de a fehérjetartalom y%-kal nő?

12.1.2. Heurisztika

A heurisztika fogalma a tudás fogalmával szembe állítva úgy definiálható, hogy egy heurisztika nem más, mint tudatosult tudás. A tudatosulás első lépcsője, hogy az ember egy problémát felismer, megold, tehát

100

feladattá degradál, s azt is pontosan (algoritmizáltan) el tudja mondani, mit kell legközelebb e sikeres megoldás érdekében tenni. Tehát a heurisztika az intuíció (nem tudatos, ösztönös tudás) ellentéte.

A heurisztika fogalma a szakirodalom szerint lehatárolandó még az egzakt megoldásokat szolgáltató eljárásokkal (algoritmusokkal) szemben is. Tehát a heurisztikák olyan eljárások, melyek az egzakt megoldásoknál gyorsabban, de kevésbé precíz megoldásokat szolgáltatnak, illetőleg hatalmas méretű, komplex feladatokat egyáltalán gazdaságosan kezelhetővé tesznek (pl. LP vs. Monte-Carlo eljárás) azáltal, hogy a pl. végtelen keresési teret átlátható méretűvé redukálják, melynek következménye nagy valószínűséggel, de nem kényszerűen bekövetkező pontosságcsökkenés.

A heurisztikának tartható pl. a végtelen sok, tejhozamot befolyásoló tényezőnek a szakember fejében meglévő és tudatosan elmondható, de mindig csak részleges fontossági listája, mely alapján a magas tejhozam nem tökéletesen biztos, de a tapasztalatok alapján nagyon valószínű. Ezzel szemben az előző példa alapján az intuíció kategóriájába tartozik a tejhozam változásának irányára, nagyságára tett kijelentés. Egzakt megoldás lenne szűkebb értelemben egy takarmányadag-optimalizáló LP (szintén emberi tudás eredménye).

Ezen példák alapján első megközelítésben talán azt várhatnánk, hogy a legjobb tejhozam elérése a gyakorlatban az egzakt módszerrel függ össze, míg a heurisztikák ennél gyengébb és az intuíció a legrosszabb eredményre vezet. A tapasztalatok szerint azonban a rangsor inkább fordított, vagyis a jó döntéseket nem kell tudni feltétlenül interpretálni, s főleg nem matematizálni. A jó intuitív képességek azonban csak heurisztikákon és algoritmizáláson keresztül válhatnak a közösség számára hasznossá, vagyis az átlagos probléma-megoldási pontosságot növelővé.

A heurisztikák és az úgy nevezett egzakt megoldások (algoritmusok) közötti különbség tétel a fentiek értelmében (gyorsaság, pontosság) jogos, de az a szakirodalmi jellemzés azonban már kétes értékű, miszerint a heurisztikák rosszul strukturált esetekben, „információ” hiányában illetőleg viszonylagos hiányában az algoritmusokhoz képest valami többet tudnak nyújtani. A heurisztikák ugyanis matematikai értelemben épp olyan algoritmusok, mint az egzakt megoldáshoz vezetők, hiszen egyértelmű hozzárendelést adnak a kiindulási adatok és a szituációnként várható eredmények zött. A repülőgép-eltérítő példáját tekintve teljesen szubjektív ugyanis, hogy a gyorsaságot preferáljuk a pontossággal szemben vagy fordítva. Ettől még elvi szinten egyik sem tarthatóbb intelligensebbnek, illetőleg mindenkinek az a fajta megközelítés a szimpatikusabb, amelyik a céljainak éppen jobban megfelel.

Feladat: Repülőgép-eltérítés megakadályozásaMegoldási stratégia: Eltérítők gépre jutásának megakadályozása

Egzakt eljárás:Minden egyes utas és a teljes személyzet, ill. minden egyes csomag ellenőrzése.

Heurisztika:Csak a repülőgépeltérítő-gyanús személyek és ezek csomagjainak ellenőrzése.

12.1.3. Tény

Ténynek nevezhető minden állapot, vagyis az objektumok attribútumainak értékei (OAÉ), de bizonyos értelemben maguk az eljárások, módszerek (a metaszinten leírt összefüggések: „mit kell tenni bizonyos tényekkel, hogy eredményre jussunk”) is. A tények (OAÉ) szerepe a problémamegoldásban az ellenőrzésben, a valóság leírásán át a hasonlóság kifejezésében van. Minden észlelés, elképzelés egy-egy tény, melyet összefüggésekkel egyre pontosabban kellene tudni előzményei illetőleg egyidőben létező egyéb jelenségek alapján levezetni. A számítógéppel kezelhető tények az adatok. (Példa egy OAÉ-hármasra: l. 4.1.1.2./A)

101

12.1.4. Következtetés

A következtetés mibenlétének későbbiekben bővebben is taglalt fogalma kapcsán ezen a szinten a két alapvető következtetési stratégia megismerése indokolt: Modus ponens: Ha A igaz, akkor B is igaz.

(pl. Ha egy tehénnek borja (A) van, akkor tejet (B) ad.) Modus tollens: Ha a fenti szabály (Ha A, akkor B) adott és B nem igaz, akkor A sem

(pl. ha nincs tej, nincs borjú sem).

A SZR-ekben általában csak modus ponens típusú (leválasztási szabály) következtetéseket használunk. (A matematikai logika kapcsolódó kérdésköreit a szöveggyűjtemény keretében – a későbbiekben igazolva – a SZR lényegétől való függetleníthetősége miatt nem tárgyaljuk.)

12.1.5. Tudásbázisú rendszerek

Ebben az alpontban a szakértői rendszerek, tudásbázisú rendszerek, a mesterséges intelligencia programok és a hagyományos programok fogalmai között kellene a definíciók szintjén rendet teremteni. A feltételes mód alkalmazása egyértelműen utal a rendteremtés reménytelenségére.

Mint ahogy sem a MI, sem a SZR fogalmának nincs elfogadott definíciója, úgy a tudásbázisú rendszerek szépen csengő „definíciója” mögött sincs klasszifikáló erő: A tudásbázisú-rendszerek olyan programok, melyekben a szaktudás az általános problémamegoldó algoritmustól elhatároltan kerül ábrázolásra.

Azonnal felmerül a kérdés, mi számít szaktudásnak, s mi nem az már? Illetőleg mi is az az általános problémamegoldó algoritmus?

Amennyiben egy adott területre specifikusan érvényes számsort már szaktudásnak nevezhetünk, úgy pl. a már korábban is felemlegetett regresszió analízis módszere (s így minden, felhasználói inputokkal feltöltendő statisztikai eljárás) tudásbázisú rendszer, mely az algoritmus formájában (pl. regresszió-számítás) letárolt általános problémamegoldó résztől függetlenül rendelkezik a problémaspecifikus adatokkal.

Ha szaktudásnak nem egyszerű számokat, hanem csak összefüggéseket definiálunk, akkor pl. egy táblázatkezelő program templátja (számítási algoritmusokat is tartalmazó formanyomtatványa) Davis szerint igenis megfelel a tudásbázisú rendszer elvárásainak. Analógiaként hozható fel az LP esete is, melyben a szimplex algoritmus általános jellege a kiindulási mátrix kérdésspecifikus (összefüggéseket magába foglaló) tartalmától maximális egyértelműséggel elkülöníthető.

Általában kijelenthető, hogy elemi programmodulokra támaszkodva a hagyományosnak nevezett programozásnál – a szaktudás definíciójától függően – a modulok tökéletesen feloszthatók általános vagy specifikus jellegük szerint. Levine kijelentése, miszerint SZR készíthető bármely programnyelven nem csak a speciális nyelvek (Prolog, Lisp) és a SZR Tool-ok segítségével, magáért beszél.

Minden felhasználói program tudásbázisú rendszer abban az értelemben, hogy a felkínált (általános, azaz nem felhasználófüggő) algoritmust a felhasználó saját problémájának megfelelően alkalmazhatja szemben a demonstrációs programok filmszerű lefutásával.

Amennyiben egy adott program bizonyos ismeretek (összefüggéseket és tényeket) „tálcán” kínál fel (azaz előprogramozott, tárolt állapotban tartalmaz) két dolgot jelent. Egyrészt, hogy alkalmazhatósága ezáltal feltehetően gyorsul, másrészt, hogy alkalmazási területe szűkül (EXCEL üres táblázat vs. konkrét célra készített templát).

102

A felhasználói programok tehát bizonyos típusú és adott számú (akár végtelen sok) inputszituációt képesek kezelni, melyekhez mindig előre (elvileg fejben kiszámolva, illetőleg tesztelve) tudni lehet a hozzárendelt eredményt (outputot). A szakértői rendszerek következésképpen épp úgy „patentrecepteket” szállítanak, mint a klasszikus adatfeldolgozási programok.

Félretéve tehát bizonyos technikai szempontokat (mint pl. programfejlesztési gyorsaság, módosíthatóság, stb.) határozottan kijelenthető, hogy a tudásbázisú rendszerek fogalma épp úgy, mint a mesterséges intelligencia fogalma a fentiek tükrében tulajdonképpen értelmetlen és szükségtelen. Esetlegesen a tudományos Public Relation érveivel védhető.

Minden úgy nevezett hagyományos programra igaz ugyanis, hogy egyrészt olyat akar a számítógéppel végeztetni, amit eddig csak ember vagy az sem tudott (vö. MI fogalma), másrészt pedig a kívánságra bármely algoritmus felbontható olyan modulokra, melyek egy része „bárhol”, másik része csak problémaspecifikusan használható fel (vö. tudásbázisú rendszer fogalma).

Egészen kisarkítva: Csak program (algoritmus, összefüggés, hozzárendelés) van. A programok és megoldási logikák csoportosítása csak önkényes lehet. (A típuspéldák analógia felismerésére sarkalló tulajdonsága és az eddigi alkalmazások referenciaértékű gyűjtése nem tévesztendő össze a diszkriminatív és leértékelő jellegű csoportosítgatással, mely nem létező előnyöket szeretne bizonyos fogalmak sulykolásával tudatosítani.)

Hasonlóan az eddigiekhez vitába kell szállni a rosszul strukturált probléma fogalmával, illetőleg ezek SZR általi adekvát leképezésének (modellezésének) gondolatával.

A későbbiekben bemutatandó automatikus szabályrendszer levezetési eljárás rámutat arra, hogy metrikus skálán értelmezett alapadatok esetén a SZR egyszerűen butább, mint a véletlen találgatással létrehozott numerikus függvények. Ugyanis a SZR nem képes tetszőleges számú tényezőt és opciót tetszőleges pontossági és/vagy hitelességi szinten kezelni. Ezért a tipikus alkalmazási területen (rendszertan, diagnosztika) túl nem javasolható tetszőleges hozzárendelések (összefüggések) modellezésére (vö. abdukció).

103

12.1.6. Magyarázó rendszer

Davis szerint az emberi szakértők az alábbi tulajdonságokkal jellemezhetők: probléma-, feladatmegoldó-készség, magyarázatadás, tanulás-tudás újrarendezése, a szabályok alóli kivételek kezelése, saját képességeik megítélése és visszavonulni tudás.

A szakértői rendszerek az első pont szerinti elvárásoknak értelemszerűen megfelelnek, hiszen bármilyen legyen is egy a SZR-ben kidolgozott összefüggés, az valamilyen szinten mégis csak megoldás, esetlegesen vitatható pontossággal.

A magyarázatadással kapcsolatban megjegyezhető azonban, hogy a SZR képes az alábbi, felhasználói kérdésekre választ adni: Miért kérdezel rá pont erre? Mi lenne, ha mást válaszolnék? Hogyan vezetted le az eredményt? Miért nem más jött ki eredményül?

A képesség hátterének megvilágítása a későbbi pontokban következik.

12.2. Ellenőrző kérdések

Milyen lehetséges definíciók tartoznak az alábbi fogalmakhoz: mesterséges intelligencia, heurisztika, tudásbázisú rendszer, szakértői rendszer?

104

13. A szakértői rendszerek felépítése

39. ábra Szakértői rendszerek felépítésének sémája (Forrás: Kovács G.)

A 39. ábraán látható, hogy a SZR klasszikus értelmezés szerint az alábbi komponensekből épül fel: ismeretbázis, problémamegoldó alrendszer, magyarázó és indokoló alrendszer, felhasználói interfész, ismeretszerző alrendszer.

Az ismeretbázis a tények (pl. küszöbértékek, kérdések, ill. a rájuk válaszként adható opciók) és szabályok (input-output hozzárendelések) adott kérdéskörre vonatkozó gyűjteménye.

A problémamegoldó alrendszer nem más, mint a következtető gép, mely a szabályokba foglalt összefüggések alapján következtetéseket kell, hogy levonjon egy-egy felhasználói válaszsorozat alapján.

A magyarázó alrendszer feladata az előző pont példái alapján magától értetődő. A felhasználói interfész, mint technika teszi lehetővé a program és felhasználója, a SZR és fejlesztője, valamint a SZR és más programok közötti kapcsolattartást.

Az ismeretszerző alrendszer feladata az ismeretbázis feltöltésének támogatása, esetleges automatizálása. Az ismeretbázis feltöltése nem más, mint bizonyos, ember által definiált tényezők (pl. növényrendszertanban a levélforma) és ezek opciói (hegyes, kerek, ovális, stb.) valamint az eredményül elvárt kijelentések (pl. fajok) közötti kapcsolatok felfedése.

Ezek után nézzük meg az egyes SZR komponensek kapcsán felmerülő tulajdonságokat és összefüggéseket részletesebben is.

13.1. A tudás tudatosításának eszközei

Mint ahogy a tudás fogalmának, úgy ennek tudatosításának és ábrázolásának (reprezentálásának) mibenléte sem teljesen tisztázott. Az úgy nevezett ismeretábrázolási formák általában annyira különböző szinteken és

105

problémák kapcsán kerülnek alkalmazásra, hogy egységes rendszerben való jellemzésükre eddig még nem sikerült megoldást találni.

A következőkben két szerző (Wagner, Kurbel) eltérő szempontokat hangsúlyozó csoportosítását ismerhetjük meg:

13.1.1. Wagner-féle csoportosítás

A SZR kapcsán három alkalmazás különíthető el jól egymástól: Példaalapú, induktív rendszerek, Szabályalapú rendszerek, Frames.

Induktív rendszerekAz induktív rendszerek végső soron szabályok formájában jelenítik meg tudásukat. Ezeket a szabályokat egy speciálisan erre a célra készítendő eljárás segítségével példák és esettanulmányok alapján vezetik le.

Michalski és Chilausky által a 80-as években a szójabetegségek diagnosztizálása céljából végzett összehasonlító vizsgálatok azt mutatták, hogy az induktív eljárással levezetett szabályok alkalmazáskor regisztrált 97,6 %-os találati aránya messze meghaladta az interjúkon alapuló emberi szakértő bevonásával levont szabályok 71,8 %-os helyességét.

Az okokat firtató szakirodalmi feltételezések és magyarázatok minden áron az emberi szakértő „presztízsét akarták menteni” és érveket kerestek annak alátámasztására, hogy milyen feltételek (pl. váltsunk problématerületet, egyeztessünk hosszabb időn át a szakértővel) mellett lehetett volna a szakértői interjúkra alapuló alternatívát az első helyre hozni. Történt mindez ahelyett, hogy arra a következtetésre jutottak volna különben helytálló részmegállapítások alapján (mint pl. a szakértő dönteni tud, nem pedig megmagyarázni, miért dönt úgy, ahogy, s így nem is lehet tudását tökéletesen szabályokba foglalni, azaz ő többet tud, mint a gép, csak....), hogy az induktív módon levezetett szabályok, illetőleg maga a levezetésért felelős eljárás „csodálatos” eredményt produkált.

Feltételezve, hogy az emberi szakértő a vizsgált helyzetekben maga is részt vesz, azaz véleményt mond a lehetséges betegségekről, s ezen ítéletek 100 %-ban beigazolódnak, még akkor is csak azt a végkövetkeztetést lehet levonni, hogy az induktív eljárás képes a szakértőt gyakorlatilag reprodukálni (97% <---> 100%) anélkül, hogy bármit is tudna a mintapéldányról.

Mindezek alapján bármely, az induktív eljárás „gyengeségeit” kimutatni akaró teória mindaddig hiteltelen, míg az alternatívaként rendelkezésre álló emberre alapozó módszerek nem érik el az automatikusan levezetett eredmények szintjét.

E helyen kijelenthető, hogy minden ellentmondásmentes példasorozat helyes induktív algoritmus alapján a maximális klasszifikáló erő jó megközelítésével átírható formalizált összefüggéssé (szabályrendszerré), hiszen – hasonlóan pl. idősorok polinomokkal való közelítésének tökéletességéhez – több dimenzióban is igaz, hogy számtalan olyan összefüggési forma létezik, mely az adott eseteket tökéletesen képes leírni.

Szabályalapú rendszerek (intuitív)Az előzőek alapján a szakirodalmilag javasolt szabályalapú rendszerek elnevezést azonnal módosítani

kell a zárójeles kifejezéssel, hiszen az induktív rendszerek is szabályalapúak, csak a szabályok levezetési módja különbözik a hagyományosan szabályalapúnak nevezett intuitív (interjúkra, önképzésre alapuló) módszertől.

E pontban a továbbiakban tehát nem az induktív kontra intuitív gondolatmenet folytatódik, hanem a szabályok egyéb tulajdonságai kerülnek felsorolásra abból a célból, hogy magának a szabálynak matematikai lényege érthetővé váljon.

106

A) Objektum-attribútum-érték hármasok

A szabályok objektum-attribútum-érték komponensekre támaszkodnak és ezek logikai műveletekkel (pl. és, vagy) való összekapcsolását (ha, akkor) jelentik. Álljon itt egy példa a definíció megvilágítására:

HA a hízósertés takarmányértékesítése gyengébb, mint 3:1,ÉS a hízósertés napi tömeggyarapodása alacsonyabb, mint 500 g,VAGY a hízósertés külleme rossz, AKKOR az istálló higiéniája nincs rendben,KÜLÖNBEN az istálló higiéniája jó.

Művelet Objektum Attribútum ÉrtékHA hízósertés takarmányértékesít

és< 3:1,

ÉS hízósertés napi tömeggyarapodás

< 500g,

VAGY hízósertés külleme rossz,AKKOR istálló higiéniája nincs rendben.KÜLÖNBEN istálló higiéniája jó.

40. ábra A szabályok és az OAÉ-hármasok kapcsolata (Wagner nyomán)

A fenti összefüggés igazságtáblája – vagyis a higiéniára tehető következtetés mibenléte – az alábbiakban tanulmányozható:

takarmányértékesítés tömeggyarapodás küllem higiéniagyenge alacsony rossz nincs rendbengyenge magas rossz nincs rendbenjó alacsony rossz nincs rendbenjó magas rossz nincs rendbengyenge alacsony jó nincs rendbenjó magas jó jógyenge magas jó jójó alacsony jó jó

41. ábra Döntési (következmény-) mátrix (Wagner nyomán)

Természetesen a valóságban mindig találhatók olyan esetek, ahol a fenti táblázatból kiolvasható következmények akkor sem igazak, ha az előfeltételek adottak. Ennek oka általában más tényezőkben keresendő (pl. klimatikus okok hozamcsökkentő hatása).

Annak kifejezésére, hogy egy elemi helyzet (konkrét OAÉ) következménye mennyire vehető biztosnak, az úgy nevezett konfidencia faktor vagy bizonyossági tényező (CNF) szolgál. A CNF érték tehát azt adja meg, hogy pl. 100 azonos OAÉ-kel jellemezhető esetből hányszor lehetett azonos következményt regisztrálni. (Amennyiben következtetések más szabályokban opcióként fordulnak elő, illetőleg maguk az opciók bizonytalanok, akkor a záró következtetés CNF értéke többlépcsős számítások eredményeként áll elő.)

B) Egyszerű és többszintű szabályok

A SZR tehát állhatnak egyrészt egyszerű szabályokból, melyekben minden szabály következménye egyben egyike a lehetséges végkövetkeztetéseknek. Másrészt a SZR felépíthető többszintű szabályrendszerként, ahol is bizonyos szabályok következményei más szabályok előfeltételeiként jelennek meg.Példák a többszintű szabályrendszerekre:

1. HA hét ágra tűz a nap, AKKOR nyár van. HA nyár van, AKKOR strandra megyek.

107

HA strandra megyek, AKKOR vinnem kell magammal fürdőruhát.

2. HA a tenyészidő meleg és csapadékos, AKKOR a klíma kedvező.HA a tábla humuszos és jó fekvésű, AKKOR a talaj termékeny.HA a klíma kedvező és a talaj termékeny, AKKOR a termelés hatékony.

Példa az egyszerű szabályokra:

1. HA hét ágra tűz a nap, AKKOR vinnem kell magammal fürdőruhát. (Feltételezve, hogy a fürdőruha áll eleve a gondolkodásunk középpontjában.)

2. HA a tenyészidő meleg és csapadékos és a tábla humuszos és jó fekvésű, AKKOR a termelés hatékony.

A többszintű szabályrendszer időlegesen bevezetett fogalmakkal (klíma, talaj) operál. Ezáltal ugyan javítja az áttekinthetőség, de semmiképpen sem eredményez egy helyesebb szabályrendszert, azaz helyesebb következtetéseket. A SZR kapcsán tehát minden rendszertulajdonsággal kapcsolatban fel kell tenni a kérdést: A szabályrendszer helyességének növeléséhez járul-e hozzá, vagy pedig a technikai jellegű kezelhetőséget javítja?

Az induktív szabályrendszerek szabályt (ismeretrendszert) levezető algoritmusa (ismeretszerzési alrendszer) az egyetlen SZR komponens, mely a rendszer minőségéért, azaz a szabályok valósághűségéért felel, szemben a következtető gép, a magyarázó és indokoló alrendszer és az interfészek technikai jellegű hatásaival.

FramesA frame-alapú vagy más néven objektumalapú rendszerek olyan tudáskeretet jelentenek, melyekben csomópontokhoz (node: objektumok, események, fogalmak) kötötten realizálhatók az adatstruktúrák (slot: tulajdonság, demon: eljárás). A csomópontok egymással relációkkal összekapcsolt, hierarchikusan szervezett hálót alkotnak, melyre jellemző a tulajdonságok öröklődése. Az egyes csomópontokban a réseket értékkel lehet kitölteni, ily módon írva le a csomópont által képviselt fogalmat vagy objektumot. Érték elhelyezése egy résbe, vagy eltávolítása onnan aktivizálhat egy az adott réshez csatolt eljárást. Ez az eljárás maga is megváltoztathatja más rések tartalmát és ez a folyamat továbbgyűrűzik a cél eléréséig.

A frame-k magukban hordozzák az OAÉ típusú és szabályelvű ismeretábrázolási lehetőségeket, s a még ezen is túlmenő komplex leképezések alapját jelentik. Ezért az előnyért a nehézkesebb fejlesztési feltételekkel kell fizetni. Egyértelmű hátrány azonban az induktív módszerekkel való feltölthetőség hiánya.

13.1.2. A Kurbel-féle csoportosítás

Ebben a csoportosításban a deklaratív (DIF) és a proceduális (PIF) ismeretábrázolási formák két pólusú rendjébe illesztve ismerhetjük meg az alábbi, az ismeretábrázolás SZR szempontjából fontosnak ítélt technikáit:

Logika Szabályok,Szemantikus hálók Frames ObjektumorientáltOAÉ-hármasok programozás

DIF PIF42. ábra A Kurbel-féle csoportosítás (Kurbel nyomán)

Deklaratívnak akkor nevezzük a tudást, ha egy adott problémára vonatkozó tények statikus halmazáról van szó. A deklaratív tudás semmit nem mond arról, hogy ezeket a statikus tudáselemeket, milyen módon (mely eljárás szerint) kell a problémamegoldás során felhasználni (vö. adatbázis).

108

A proceduális tudás ennek megfelelően nem más, mint valami kivitelezésének, végrehajtásának mibenléte (vö. algoritmus).

Szemantikus hálókA szemantikus hálók olyan hálózati struktúrák, illetőleg irányított gráfok, melyekben a csomópontok objektumokat, eseményeket, fogalmakat jelentenek, a csomópontok közötti élek pedig az ezek közötti kapcsolatokat írják le.

43. ábra Szemantikus háló (Kurbel nyomán)

A csomópontok között a kapcsolatok irányának megfelelően a tulajdonságok átörökíthetők. Ennek magától értetődő előnye az, hogy – maradva a példánál – nem kell minden autótípussal kapcsolatban minden az autóra általában jellemző tulajdonságot tárolni, hanem csak egyszer az autó fogalmánál. Így a redundancia (ismétlődés) elkerülhető.

A szemantikus hálók a SZR alkalmazásokon kívül a számítógépes nyelvi készségek kifejlesztésében kap szerepet. A szemantikus hálók a frame-k és az OAÉ-hármasok alapját jelentik. Az OAÉ a szemantikus hálók speciális eseteként definiálhatók.

PC van neki processzor pl. egy INTEL 80486objektum attribútum érték

44. ábra A szemantikus hálók és az OAÉ-hármasok kapcsolata (Kurbel nyomán)

Objektumorientált ismeretábrázolás (Frames)Az objektumorientált ismeretábrázolás a MI kutatásoktól függetlenül alakult ki és alkalmazási területei is részben eltérnek ettől (pl. irodai kommunikációs rendszerek). Az objektumorientált gondolat egy olyan absztrakt adattípus koncepciója, melyben az objektumok (zárt algoritmus+adategységek) egymásnak üzenni tudnak, s az üzenetek a fogadó objektumban akciókat váltanak ki. A zárt adategységek elvének feladásával született meg az objektumorientált ismeretábrázolás másik, korábban már bemutatott formája, a frame.

LogikaA matematikai logika nem direkt ismeretábrázolási módszer. Azonban speciális programnyelvek (pl. Prolog) a matematikai logika kifejezésmódjára támaszkodva dolgozik. Az első rendű predikátum logika

109

nem utolsó sorban azért érdekes, mert egy zárt rendszert jelent, amelynek segítségével a következtetések a tényleges tartalomtól függetlenül végezhetők. Így bizonyos kijelentések alapján automatikus új kijelentések vezethetők le. Ez a lehetőség szolgál a mechanikus tételbizonyítás alapjául is. Fontos alkalmazási területként említhető az elektronikus berendezések tervezése, ellenőrzése, analizálása.

Szabályalapú ismeretábrázolásA szabályokkal történő ismeretábrázolás kapcsán Kurbel nyomán az alábbi, (új) fogalmakkal kell megismerkednünk, melyek már átvezetnek a következő ponthoz a következtető rendszer ismertetéséhez: kontrollrendszer és szabályinterpreter.

A szabályok alkalmazásakor a kontrollrendszer feladata, hogy a célnak megfelelően futtassa le a szabályokat. A kontrollfeladatok egyike az egyszerre több szóba jöhető szabályból való választás konfliktusának kezelése. A szabályinterpreter a szükséges és irreleváns szabályokat választja szét egymástól.

45. ábra Szabályok alkalmazása következtetések levonására (Kurbel nyomán)

Mindezek a jellemzők azonban csak akkor lényegesek, ha több lépcsőben – köztes következtetésekre támaszkodva – akarjuk a szabályrendszert felépíteni. Ezen a helyen még egyszer ki kell emelni, hogy a levezetett fogalmakkal operáló szabályrendszer semmilyen tartalmi többletet nem jelent a direktben felírt – csak logikai ÉS kapcsolatokat tartalmazó – OAÉ hozzárendelésekhez képest.

13.2. Következtető-rendszer

A következtetés Kurbel nyomán négy stratégia szerint történhet: deduktív úton (az általánostól a speciális felé haladva, pl. bizonyítás), induktív módszerrel (az egyeditől az általános irányába lépve, pl. tanulás), közelítő módon (heurisztikák révén), illetőleg analógiákra támaszkodva.

Egy SZR a felsoroltakból csak a deduktív megközelítéssel hozható kapcsolatba.

110

Egy másik általános megközelítési mód a tudás monoton és nem monoton dinamikája szerint osztja fel a lehetséges stratégiákat: A monoton megközelítéskor a következtetések mindig megfelelnek az eddigi tényeknek, s bizonyos

számú következtetési lépés után kényszerűen elérik a célt, szemben A nem monoton megközelítéssel, ahol is az eddigi részkövetkeztetések új tények alapján elvethetők,

felülbírálhatók, mint ahogy ez az emberi problémamegoldásban is megfigyelhető.

A SZR a monoton megközelítésre támaszkodik, kísérleti szinten azonban már a nem monoton stratégia alkalmazása is realizálásra került. A nem monoton stratégiára jellemző megoldások szimulálása több monoton futtatás (mi lenne, ha) eredménye alapján lehetséges.

A harmadik általános megközelítési mód, melyet a következtetésekkel kapcsolatban meg kell ismerni a metatudás fogalmához kötődik. A metatudás a tudásról szóló tudás, mely olyan kérdésekre ad választ, hogyan kell az eddig egyenrangúnak feltételezett szabályok közül a leghasznosabbakat (a rutinos szakértő által is preferáltakat) kezelni szemben a kevésbé fontos (a kezdő szakértőkre jellemző) szabályokkal. A metatudás feladta a számítógépes kompetencia (ezt még tudom, azt azonban már nem) szimulálása. Mindezen tulajdonságok gyakorlatba való realizálása azonban még rengeteg kutatást igényel.

13.2.1. Előrehaladó (adatvezérelt) következtetés

Adott szabályrendszer esetén feltehető mindig a kérdés: Melyik előre megadott következtetés lehet igaz, ha megadásra kerül az első, második, ..., utolsó tény? A megoldási stratégia tehát először minden következtetést igaznak tart, majd a tények megismerésével fokozatosan szűkíti, s végül egy konkrét válaszra redukálja a lehetőségi kört.

13.2.2. Visszafelé haladó következtetés

Az előzőekkel szemben a kérdés úgy is feltehető: Lehet-e a lehetséges végkövetkeztetések listájából az első, második, ..., utolsó igaz? Ennek megválaszolásához a rendszer olyan kérdéseket igyekszik feltenni, mely alapján belátható lenne, hogy az első következtetés igaz. Amennyiben a tények ennek ellentmondanak, elveti az első következtetést és ezután megpróbálja a következőről belátni ennek igaz voltát. Mindez addig folytatódik, míg egy (vagy több) következtetés igaz nem lesz.

13.2.3. Mélységi keresés

Abban az esetben, amikor a SZR kérdéseit úgy mond logikus (emberi szakértőnek megfelelő) sorrendben elkezdi a felhasználónak feltenni, akkor mélységi (általánostól a részletek felé menő) keresésről beszélünk. Találó példa erre a stratégiára a rendszertanban alkalmazott gondolatmenet, ahol is a törzs-rend-család-nemzetség-faj sorrendben történik a fajok beazonosítása.

13.2.4. Szélességi keresés

A szélességi keresés esetében a mélységivel szemben a SZR által feltett kérdések a felhasználó számára idegen sorrendben (kvázi véletlenszerűen) kerülnek egymás mellé. Példaként szintén a rendszertan hozható fel, amennyiben pl. a nemzetség azonosítása érdekében nem csak az adott nemzetséghez tartozás jegyeit kontrollálja a SZR, hanem más nemzetségek jegyeire is rákérdez, mintegy biztosítékként (egyszerre bizonyítva egy adott következtetés jogosságát és az alternatív következtetések elvetését).

13.2.5. Racionális keresés

Abban az esetben – maradva a rendszertan példájánál -, ha a végkövetkeztetések csoportjai között (pl. vízi emlős vs. szárazföldi emlős fajok) mennyiségi aránytalanság van, akkor érdemes a kérdéseket aszerint rangsorolni, hogy a következtetések közül mekkora arányt lehet kizárni segítségükkel. Így az első kérdés az kellene, hogy legyen „Hol él az adott faj? Opciók: „vízben”, „szárazföldön”. Szerencsés esetben a válasz:

111

„vízben”. Azaz a továbbiakban már rengeteg kérdéssel és következtetéssel (szárazföldi emlősök fajai) nem kell foglalkozni. Ezáltal a keresés gyorsul, ésszerűsödik.

A következtetőgép szükségszerűsége a fenti alpontok alapján nem tartalmi (hozzárendelési helyesség) jellegű, hanem a hatékonyság- és hitelességnövelés gazdasági és pszichológiai jellegű okaira vezethető vissza.

13.3. Magyarázó, indokoló alrendszer

A magyarázatadás képességének számítógépes szimulálása azon az egyszerű lehetőségen alapszik, hogy a szabályok alapján a logika törvényei szerint levont következtetések önmagukat képesek magyarázni.

Példa

Szabály: HA emlős állat ÉS vízben él ÉS emberi hangot képes utánozni, AKKOR ez a delfin.

Kérdések: Emlős állatról van szó? (igen/nem)Hol él? (vízben/szárazföldön)Tud emberi hangot utánozni? (igen/nem)

Felhasználói magatartásformák:

Miért kérdezel rá pont erre?SZR válasza: Mert a delfin emlős és vízben él és képes utánozni az emberi beszédet.

Mi lenne, ha mást válaszolnék?SZR válasza: Nem delfinről, hanem ... lenne szó.

Hogyan vezetted le az eredményt?SZR válasza: Delfin = emlős és vízben él és képes utánozni az emberi beszédet.

Miért nem más jött ki eredményül?SZR válasza: Mert Te válaszként emberhez hasonlóan beszélni képes, vízi emlőst adtál meg és ez szerintem a delfin.

46. ábra Magyarázatadás szimulálása

13.4. Interfész

A SZR legtöbb esetben olyan keretprogramok segítségével íródik, melyben a legfontosabb rendszertulajdonságok jelentős részben előprogramozott állapotban megtalálhatók, csak úgy mond a felhasználó specifikus paraméterek hiányoznak. A keretprogramok lehetőséget kínálnak a tudásbázis szerkesztéséhez szövegszerkesztő (esetlegesen interpreter, szintaxis ellenőrző) programok révén.A szabályrendszer téves megadása a helytelen következtetések megjelenésével válik a programozó számára világossá. A hiba kijavításához a keretrendszernek segítséget kell tudni nyújtani egy-egy következtetés hátterében felhasznált szabályok gyors megtalálásában. Ez technikai oldalról nem más, mint a magyarázatadó alrendszer fejlesztés alatti aktiválása.A keretprogramoknak lehetőséget kell adniuk más külső programok felhívására, hiszen bizonyos alkalmazások megkövetelik az alapadatok transzformálását (pl. felhasználó specifikus küszöbértékek számítása, felhasználói alapadatok mutatószámmá konvertálása). Az adatbázisokkal kialakítható kapcsolat egyrészt a magyarázó alrendszer és a help maszkok kommunikációs színvonalát javítja. Másrészt a szabályrendszer és a tények teljes körű szétválasztását teszi lehetővé.

112

A legfontosabb kérdéskört a felhasználói felületek milyensége jelenti. Ennek kapcsán Gevarter nyomán a következőket kell megemlíteni.

13.4.1. Válaszlehetőségek a SZR kérdéseire

Elméletileg két koncepció szerint lehet egy SZR programmal kommunikálni. Előre lerögzített, menüben választásra felkínált szókészleten (opciókon) keresztül, vagy szabadon, tetszőleges fogalmak begépelésével. Ez utóbbi ma még csak bizonyos problémák kapcsán vetődik fel realitásként (pl. adatbázisok SZR-en keresztüli lekérdezése).

13.4.2. Bizonytalan válaszok kezelésének képessége

Az előre, a SZR alkotója által lehatárolt fogalomkészlet korlátainak egyenes következménye, hogy bizonyos kérdésekre a felhasználó az adott opciók alapján nem tud saját maga megnyugtatását szolgáló választ adni (s így elveszíti érdeklődését a SZR iránt), illetőleg az opcióktól függetlenül a felhasználó nem tudja a választ az adott kérdésre. Ekkor a SZR képes kell, hogy legyen egyszerre több opciót is elfogadni válaszként és a továbbiakban ennek megfelelően egyre bizonytalanabb végkövetkeztetéseket adni, illetőleg a meg nem válaszolt kérdés nem szabad, hogy programhibához vezessen.

A „nem tudom” válasz kezelése azért jelent általában problémát, mert a SZR programok minden kérdést (pl. Milyen a virág színe?) azért tesznek fel, hogy ez által két lehetséges következtetésből (pl. két fajt: fehér és sárgavirágú csillagfürtöt) az egyiket kizárják.

Amennyiben egy adott kérdésre nincs válasz, akkor vagy minden ettől a kérdéstől függő következtetést ki kell listázni, mint potenciális eredményt, vagy pedig minden következtetéshez alternatív szabályokat kell megadni (pl. a fehér virágú faj egyben szőrösebb levelű is, akkor ezt is meg lehet kérdezni).

Általában elmondható, hogy a „nem tudom” opció kezelése technikailag semmilyen nehézséget nem jelent, hiszen csak a kiindulási állapotok mennyisége nő általa. Tartalmilag azonban mindig kérdéses, hogy lehet-e egyáltalán valamit is egy többé-kevésbé bizonytalanul leírt kiindulási helyzetből kikövetkeztetni. Hiszen végső soron minden kérdésre „nem tudom”-mal válaszolva abszolút semmilyen elvárást nem támasztható a SZR-rel szemben.

13.4.3. Grafika

A grafikák szükségszerűsége egy SZR-ben többszörösen vitathatatlan. Egyrészt bizonyos kérdések és opciók nehezen kezelhetők fogalmi szinten (pl. levélszín, forma, erezet, szőrözöttség). A grafikák (hanganyagok, pl. madár-meghatározáshoz) tehát az emberi érzékelés gépi szimulálásának eszközét jelentik. Másrészt szükséges lehet a magyarázatadáskor, amennyiben a keresési tér bemutatásával világossá tehető az eddig bejárt útvonal miértje. A grafikák integrálása leginkább a külső programokkal való kapcsolattartás révén reális.

13.4.4. Magyarázatadás

A magyarázatadás képességét az eddigiekben már kimerítően tárgyaltuk. E helyen csak a felhasználók motiválása és a kommunikáció szimulálása okán kerül említésre.

13.4.5. A probléma lehatárolása

Bizonyos problémák esetén (pl. rendszertan) jelentősen gyorsíthatja a SZR felhasználását, ha a rendszer képes „in medias res” dolgozni, azaz elfogadni a felhasználó kiinduló pontját (pl. az biztos, hogy emlősről van szó, így kezdjük innen).

113

13.5. Ismeretszerző alrendszer

A szerkezeti felépítés szerint ugyan e ponton kellene következnie az ismeretszerző alrendszerrel kapcsolatos gondolatoknak, de a most következő, átfogó pontból (SZR létrehozása) felesleges lenne a szerkezeti elvek megtartása okán külön részeket kiragadni, esetlegesen ismételni.

13.6. Ellenőrző kérdések

Milyen komponensek épül fel a SZR? Milyen ismeretábrázolási eszközök vannak? Hogyan csoportosíthatók ezek? Hogyan jellemezhetők az egyes eszközök? Milyen magyarázatadási képességekkel rendelkezik a SZR?

114

14. Szakértői rendszerek létrehozása

A SZR létrehozása előtt mindig vizsgálni kell ennek szükségszerűségét, lehetőségét, hasznosságát. Nem minden probléma esetében célszerű ugyanis a SZR hátterében megbújó kötöttségeket elfogadni. Mint már korábban tárgyalásra került, minden, metrikus skálán értelmezett alapadatokra támaszkodó hozzárendelés szabályrendszerré alakítható, míg fordítva ez nem igaz. Az átalakítás úgy nevezett információvesztéssel jár, hiszen pl. a rangsor skálán már nem értelmezhető a mennyiségek viszonya (azaz nem tudható, hogy pl. a „kevés” csapadék hányszor kevesebb, mint a „sok”). Egy SZR rendszer tehát minden összefüggés-keresési esetben létrehozható, a kérdés csak az, hogy érdemes-e lemondani a metrikus skála nyújtotta információtöbbletről, illetőleg adottak-e egyáltalán metrikus adatok és megfelelő mérési eljárások, melyek információértékéről részben le kell mondani (pl. a konkurencia mértéke kevéssé mérhető, mégis fontos tulajdonság egy marketing problémát feszegető SZR-ben)?

Szakértői rendszert, mint bármely más programot gazdasági értelemben feltétlenül érdemes létrehozni, ha ezzel költséges emberi tudást váltunk ki elfogadható szinten, illetőleg, ha egy probléma térben és időben azonos profillal gyakran fellép. Ekkor ugyanis szinte lehetetlen az emberi szakértőt a minden helyszínen és időpontban azonos teljesítmény paraméterekkel biztosítani.

Általában nem célszerű összefüggéseket (SZR) formalizáltan elérhetővé tenni olyan esetekben, amikor ezek ember által való megértése, felfedezése túl egyszerű (triviális). Egy SZR akkor igazán szükséges, ha a szakértővé válás ideje hosszú (pl. több éves tapasztalat kell a növényfajok tetszőleges fenológiai állapotban történő felismeréshez) illetőleg nem biztos, hogy egyáltalán lehetséges (pl. tőzsde árfolyam-előrejelzés).

14.1. A szakértői rendszerek létrehozásának alapjai

A szakértői rendszerek létrehozása lényegében két tevékenységet ölel fel: az ismeretszerzést és ennek technikai kiszolgálást.

Ismeretszerzés alatt értendő a probléma körvonalazása és a célok tisztázása után a megoldás formalizálásának (algoritmizálásának) folyamata. Jelen esetben ez a szabályok (a hátterükben megbújó tényezők, opciók és kérdések) megfogalmazását jelenti. A technikai kiszolgálás pedig a formalizált megoldás felhasználóbarát módon való megjelenítését (pl. magyarázatadó képesség) célozza.

A szakértői rendszerek létrejötte általában több személy együttműködését tételezi fel:

Szoftverfejlesztő az általános jellegű szakértői rendszer keretprogram vagy a MI-programnyelv kidolgozója,

Szakértő a konkrét probléma és a megoldás ismerőjeIsmerettechnológus aki központi szerepet tölt be a szakértői tudás

formalizált leírásának kialakításábanVégfelhasználó a szakértői rendszer címzettje

Az ismerettechnológus és a szakértő nem azonos személy. A szakértő és a végfelhasználó nem azonos személy. Csak így tételezhető fel egyáltalán, hogy a tudás objektív és a szakértőtől független formában, azaz általános jelleggel és bárki által felhasználhatóan létezik. Ez természetesen nem zárja ki azt, hogy a szakértők saját maguk tehermentesítésére szakértői rendszerekre támaszkodjanak. Sőt a tapasztalatok szerint az ilyen rendszerek a leghatékonyabbak, mert nem helyettesíteni, hanem csupán támogatni akarják a szakértőt.

115

A szakértő lehetőleg egyetlen személy legyen, akinek a gondolkodásmódját kell, hogy a rendszer minél pontosabban visszatükrözze. A több szakértőre alapozó modellek kényszerűen ellentmondáshoz vezetnek a tudás tartalmát, mibenlétét illetően. Az egyszakértős szakértői rendszereknél fenn áll annak veszélye, hogy minél tökéletesebben sikerül a szakértőt magát modellezni, annál kevésbé lesz általános érvényű a létrejövő ismeretbázis.

Az ismeretek a szakértő direkt kikérdezése révén kerülnek a szakértői rendszerbe. Más források (könyvek, törvények) és más ismeretszerzési technikák (megfigyelések, kísérletek, tanulás) ebben az ábrában nem szerepelnek.

A szakértői rendszerek értékelése az ismereteket átadó szakértő magatartásához mérten magától értetődően vezet a fenti kijelentésekhez. Nem szabad azonban elfelejteni, hogy a problémamegoldás – igaz vitatottan, de mégis – elsődleges feladata a megoldás megtalálása, s nem ennek miértjének keresése. Így a szakértői rendszereket is helyesebb lenne elsődlegesen a valósággal összevetve értékelni. Ebben a pillanatban értelmetlenné válnak a tudás forrását (a megkérdezett szakértők számát) és címzettjét (szakértő és/vagy független felhasználó) firtató gondolatok. Hiszen az objektíve helyes hozzárendelések bármilyen úton létrejöhettek és minden felhasználó számára ugyan azt mondják (kivéve: ha a felhasználó alapvetően nem a válaszra, hanem sokkal inkább a megoldásmenetre, mint speciális bizonyítási módra kíváncsi).

14.2. Az ismeretszerzés alapmodelljei

A szakértői rendszerek létrehozásában résztvevők kapcsolatai közül a leglényegesebb a szakértő és az ismerettechnológus kommunikációja. Ez a kapcsolatforma jelenti egyben az ismeretszerzés első típusát, melyet további kettő követ: indirekt ismeretszerzés direkt ismeretszerzés automatikus ismeretszerzés

Az indirekt ismeretszerzéssel ellentétben a direkt ismeretszerzésnél a szakértői (természetes nyelven közölt, vagy a szakértő által programnyelvre konvertált) ismeretek egy másik ember közreműködése nélkül kerülnének formalizálásra (pl. szabály). A természetes nyelvű ember-gép kommunikáció egy ma még nem létező, speciális (mondhatnánk úgy is, hogy intelligens) szoftver segítségével képzelhető csak el.

Az automatikus ismeretszerzés esetében a folyamatban közvetlenül nincs szükség az emberre, hanem csak adatokra (ember által megadott analóg problémákra és megoldásokra), melyek alapján egy indukciós (abdukciós) program dolgozza ki a szabályokat. Új tények felmerülésekor a mechanizmus képes az eddigi ismereteit újrarendezni (tanul).

14.3. Az ismeretszerzés feladatkörei

Az alábbi lista Buchanan nyomán tulajdonképpen a szakértői rendszerek fejlesztésének teljes folyamatát átfogja, de mint mondottuk a folyamat maga az ismeretszerzés körül forog. A séma az ismerettechnológus fontosságából, azaz az indirekt ismeretszerzés alapmodelljéből indul ki. probléma identifikálása, koncepció kidolgozása, formalizálás, átültetés gépi formába, tesztelés.

14.3.1. Identifikálás

Az identifikálás folyamata több síkon és esetlegesen iteratívan folyik:

116

A fejlesztésben érintettek körének és feladatainak meghatározása. A probléma (figyelembe vett és elhanyagolt területek) lehatárolása. A rendelkezésre álló erőforrások (tudás, idő, hardver, szoftver) felsorolása. Az elérendő célok megadása (ki a végfelhasználó, mit vár el).

14.3.2. Koncepció

A koncepcióalkotás ismét csak iteratív folyamata nem más, mint annak tisztázása, hogyan jár el a szakértő, s következésképpen milyen magatartásformát kell a számítógépnek szimulálnia. Itt kell meghatározni a megoldáshoz szükséges ismeretek mibenlétét, részletezettségét (attribútumok, opciók, kérdések, köztes következtetések száma).

14.3.3. Formalizálás

Ebben a szakaszban kell megválasztani a ismeretábrázolás eszközeit és struktúráját (OAÉ, szabály, frames, következtetőmechanizmus, stb.), melyeknek megfelelő szintaktikát alkalmazva úgy mond kódolni kell az ismereteket.

14.3.4. Gépi formába öntés

Az eddig csak papíron meglévő ismereteket ebben a fázisban kell a számítógép számára kezelhető formába (programnyelv, SZR keretprogram) hozni. Ennek eredményeként áll elő a prototípus.

14.3.5. Teszt

A teszteléskor a szakértő és az ismerettechnológus azt vizsgálják, hogy a prototípus mind tartalmilag (szakértő), mind formailag (ismerettechnológus) megfelel-e az előzetes elvárásoknak, illetőleg találhatók-e a programban – hasonlóan a hagyományos szoftverfejlesztéshez – rendszerhibák, tartalmi hiányosságok.

Az alábbiakban Waterman nyomán a mindenképpen ellenőrzendő területek felsorolása következik: Lefedi a SZR a valós problémát? A SZR a szakértő számára elfogadható (azonos) következtetést von le egy-egy kiindulási helyzet

(típushelyzet, határeset) alapján? A következtetések sorozata logikus (szakértő számára), konzisztens és teljes? A program kérdéseinek lefutása megfelel a szakértő sorrendjének? A SZR magyarázóképessége kielégítő? Kellően felhasználóbarát módon működik a program?

14.4. Az ismeretszerzés technikái

Amennyiben a SZR fejlesztése az egyéb forrásoktól (könyv, adatbázis) részben vagy egészben függetlenül szakértőre alapozva történik, akkor az alábbi, fontosabb – a SZR fejlesztése során bizonyos mértékig eltérő helyen alkalmazott – technikák jöhetnek szóba a tényleges lebonyolításhoz: Elemzés – Az ismerettechnológus feladata, hogy saját képességeit a meglévő szakirodalom és

adatbázisok alapján olyan szintre hozza, hogy egy szakértővel érdemben beszélgetni tudjon a problémáról.

Szociometria – Az elnevezés hátterében egy sor eljárás áll, melyek segítségével az egyáltalán szóba jöhető szakértőket lehet kiválasztani.

Brainstorming – Cél a probléma közös lehatárolása, a lehetséges megoldások és részproblémák felkutatása.

Megfigyelés – Az ismerettechnológus a szakértőt munka közben, vagyis valós esetek (nem úgy nevezett laboratóriumi körülmények között) feldolgozásakor figyeli, rögzítve ennek problémamegoldó

117

stratégiáját. (Megjegyzés: Szociológiai vizsgálatokból ismert, hogy az ember másképpen jár el, ha tudja hogy figyelik.)

Hangos gondolkodás – Az ismerettechnológus a szakértőt kísérleti körülmények között megfigyeli meg a szakértői gondolkodásmód dokumentálása céljából.

Interjú – A szakértő és az ismerettechnológus közösen beszélik át a megoldandó problémát. Cél a szakértői fogalomkészlet, kérdésfeltevési sorrend és forma megfigyelése.

Leírás – A szakértő önállóan kell, hogy típushelyzeteket és megoldásokat felvázoljon. Csoportos vita – Több szakértő egymással vitatkozva fejti ki álláspontját a problémáról annak

érdekében, hogy az egyezőségek kiderüljenek és kérdéses pontok, valamint ezek feloldása megoldásra kerüljön.

Delphi-módszer – Az ismerettechnológus úgy mond a háttérből irányítva több, egymást nem ismerő, nem jelenlévő szakértő részlegesen eltérő véleményét igyekszik konszenzusra vinni.

Szemantikus hálók – A szakértői fogalomrendszer feltérképezésének módszer lehetővé teszi a fogalmak definícióinak strukturált (egymáshoz képest érvényes) leírását.

Indukció – A szakértő számára magától értetődő (intuitív) következtetések tudatosítása érhető el példák alapján levezetett szabályok alapján. Tehát a szakértő megtanulja megokolni következtetéseit.

Finomítás – A szakértő és az ismerettechnológus ez esetben szerepet cserélnek, amennyiben ez utóbbi a szakértő egyre bonyolultabbá váló példái és segítő útmutatásai alapján maga próbálja a megoldást megtalálni ellenőrzésre felkínálva közben saját (szakértőtől átvett) gondolatait és következtetési stratégiáját.

Ellenőrzés – A szakértő az ismerettechnológus által megfogalmazott szabályokat ellenőrzi egyenként és logikai sorrendben, összevetve ezt saját koncepciójával.

Validálás – Az ismerettechnológus szembe állítja a szakértőt olyan – más szakértők által kidolgozott – esetekkel, melyek a probléma szempontjából lényegesek.

Elidegenítés – ekkor az ismerettechnológus egyes típushelyzeteket addig változtatgat, míg ezek a szakértő véleménye szerint már nem tartoznak a kérdéskörhöz, lehatárolva ezzel magát a problémát.

14.5. Az szakértői rendszerek fejlesztésének problémái

Az ismeretszerzés minden technikája ugyanazon nehézséggel kell, hogy szembe nézzen, mégpedig azzal, hogy a szakértő nem képes, s a gyakorlatban nem is kell, hogy képes legyen elmondani, miért és hogyan jutott helyes következtetésekre. A szakértő fejében nem szabályok, hanem sokkal inkább esetek (példák) és hasonlóságok léteznek. Így elgondolkodtató, hogy van-e egyáltalán létjogosultsága a szabályalapú gondolkodásnak olyan esetekben, amikor valós (nem ember által alkotott) rendszerek modellezéséről van szó.

A szakértői paradoxon Waterman nyomán abban mutatkozik meg, hogy minél rátermettebb egy szakértő a valóságban, annál kevésbé képes tudását formalizálni. Ezért is fogalmazódik meg (mint pl. az I. rész alcímében is látható) az intuíció és a módszeresség kettőssége. A gazdasági kényszer egyre erőteljesebben hat abba az irányba, hogy az egyéni intuitív képességeket ne hagyjuk elveszni a közösség számára (oktatás: ember-ember kommunikáció), illetőleg találjunk olyan módszereket, melyek a tudást (pl. összefüggés-keresést) objektív, veszteség nélkül továbbadható, felhalmozható formába hozza, s mindezt automatikusan végzi.

Egy nem automatikusan létrehozott SZR a probléma komplexitásától függően Waterman nyomán több (2-6) szakember többéves (6-30) munkája eredményeként áll össze, (s avul el szinte „azonnal” állandó karbantartás nélkül, melyet gyakorlatilag csak a fejlesztők képesek reálisan végrehajtani). Következésképpen csak a bérköltség óriásira (dollár milliók) becsülhető, nem beszélve ekkor még az üzemi valóságba való beillesztés költségeiről, a felhasználói oldal tudásának és fogadókészségének fejlesztéséről, a más programokkal való kompatibilitás megteremtéséről, stb. Egy kis méretűnek számító, max. 350 szabályt tartalmazó SZR üzembe állítási költsége elérheti az 50.000 dollárt is.

118

A nehézségek kiküszöbölésének lehetősége az ismeretszerzés automatizálásában, a gépi tanulásban rejlik. Kurbel szerint ezen új típusú módszereknek ott kell segítséget nyújtaniuk, ahol a hagyományos statisztikai módszerekben (pl. regresszió analízis, faktoranalízis) rejlő lehetőségek kimerülni látszanak (vö. Pattern-Generator).

14.6. Ellenőrző kérdések

Kik vehetnek részt egy SZR fejlesztésében? Milyen ismeretszerzési modelleket ismertek? Mik az ismeretszerzés feladatkörei? Milyen ismeretszerzési technikák jöhetnek szóba az SZR fejlesztésekor?

119

15. Szakértői rendszerek alkalmazása

Elsőként Wagner nyomán a tipikus mezőgazdasági alkalmazási területeket tekinthetjük át röviden. Majd Gábor A. nyomán az alkalmazási lehetőségek teljesebb köréről alkothatunk képet. A bővebb kitekintés oka az analógiák felismerésének ösztönzésében keresendő.

15.1. Mezőgazdasági alkalmazások

A SZR-ek mezőgazdasági alkalmazásai kapcsán feltétlenül meg kell említeni két fogalmat: a döntés támogató rendszer és a menedzsment információs rendszer fogalmát.

A döntés támogató rendszerek (DSS) és a menedzsment információs rendszerek (MIS) az üzemi alkalmazások első korszakát jelentik. Mindkét területen folyó tevékenység a döntéshozó munkáját szeretné megkönnyíteni. A két fogalom egymáshoz képest való lehatárolása meglehetősen bizonytalan.

A döntés támogató rendszerek a menedzsment információs rendszereknél átfogóbb kategóriát jelentenek, így az ott kezelt problémák (pl. takarmányadag-optimalizálás) a menedzsment információs rendszerek kérdésfeltevéseihez (pl. beruházás) képest „egyszerűbbek” is lehetnek, amennyiben ezek esetében a célrendszer egyértelműsítése és a következmények előrejelezhetősége miatt már optimalizáló eljárások is (pl. LP) alkalmazhatók.

A szakértői rendszerek helye a döntés támogató rendszeren belül legszemléletesebben a felmerülő feladattípus és alkalmazott modellek felsorolása segítségével mutatható ki.

Feladatok: nyilvántartások vezetése (cél: gyors, rugalmas adatelérés biztosítása) adatfeldolgozás (cél: tetszőleges adatkombinációk összeállítása) elemzések készítése (cél: veszélyek és lehetőségek, optimumok keresése a feldolgozott adatok alapján)

Modellek: adatorientált modell (könyvvitel) kalkuláció (tervezés) reprezentáció (szimulációs hatásvizsgálatok) optimalizálás (pontos cselekvési utasítások kidolgozása) javaslattétel (koncepciók kialakítása)

A szakértői rendszerek ezek nyomán leginkább az elemzési feladatok és javaslatokat szállító modellekkel hozhatók kapcsolatba.A szakirodalomban igazán átfogó és állandóan aktualizált mű a szakértői rendszerek alkalmazásáról nincs. A következőkben felsorolás szerűen említendő példák nyomán két irányvonal – diagnosztika/terápia és tanácsadás/segélynyújtás – látszik kikristályosodni.

120

15.1.1. Diagnosztika – Terápia

A területet leginkább konkrét példák alapján lehet jellemezni: hitelképesség-vizsgálat számviteli adatokból számított mutatószámok alapján növényi betegségek meghatározása marketingstratégiák kidolgozása növényvédelmi intézkedések mérlegelése talajvédelmi stratégiák minősítése trópusi talajok meszezésének értékelése gabonaszárítás irányítása növénysorrend meghatározása állattenyésztés értékelése mezőgazdasági üzemek gazdálkodásának elemzése

15.1.2. Tanácsadás – Segélynyújtás

Hasonlóan az előzőekhez itt is néhány jellegzetes példa felsorolása látszik célra vezetőnek a terület lehatárolása érdekében: lineáris programozás eredményeinek interpretálása, öntözésigény és tápanyagszükséglet számítása, betakarítási paraméterek előrejelzése, valós idejű monitorrendszer üvegház irányítására.

15.2. Nem mezőgazdasági alkalmazások

A lehetőségek sok színűségek miatt az alábbiakban egy válogatás következik: oktatóprogramok, gépek, berendezések hibáinak felderítése, javítási javaslat, épületek, gyártórendszerek tervezése, számítógépek konfigurálása, ellenőrzése, előrejelzés, embergyógyászati alkalmazások, ásványhatározó rendszer, gyógyszerkölcsönhatás elemzése.

121

16. „Mesterséges élet”

16.1. Bevezető

Tudományos paradigmáknak – Kuhn (1979) szerint – olyan nézetek, ismeretek és elméletek tarthatók, melyekre jellemző az újszerűség és nyitottság, hiszen csak e két tulajdonság biztosításával lehet a problémákat vélhetően jobban megoldani, mint eddig. Fontos megjegyezni, hogy a nyitottság és az újszerűség matematikai szempontból nem más, mint a megoldások keresése során átvizsgálni kívánt kombinatorikai tér újradefiniálásának lehetősége.Pszichológiai szempontból kiemelendő, hogy újszerűségük nélkül a paradigmák aligha találnának követőkre, illetve a paradigmák nyitottsága lehetővé kell, hogy tegye új kérdések és megoldatlan problémák felvetését. Bármely paradigma híveinek csoportja bizonyára elenyészően kicsiny maradna, ha a paradigma nem ígérné az eddig megoldatlan problémák sikeres megoldását.

16.1.1. Kapcsolatok egyéb tudományterületekkel

Egy új paradigma besorolását mindaddig provizórikusnak kell tekinteni, míg a paradigma új problémák bevezetésével szemben nyitott. Ennek megfelelően a besorolási próbálkozások célja nem a végleges szakterület lehatárolása, a besorolásnak sokkal inkább a más szakterületekkel való összehasonlítást kellene megkönnyítenie.A mesterséges intelligencia az alkalmazott számítástechnika egy részeként szoros kapcsolatban áll a matematika statisztikai területével, valamint az „ötletadó” biológiai tudományokkal (genetika, idegi működések). A problémamegoldási lehetőségek azonban átívelnek e besoroláson, az adott problémának (pl. idősoros előrejelzések) lehet más-más szintű és alapfilozófiájú matematikai, számítástechnikai és a mesterséges intelligencia valamely része szerinti levezetése. A különböző szintű problémamegoldások összehasonlítása túlmutat e jegyzet keretein.

16.1.2. Alkalmazási feltételek

Az alkalmazott informatikának, s így az agrárinformatikának is – ahhoz, hogy hatékony megoldásokat kínálhasson alkalmazási területének tipikus problémáira – állandóan meg kell kísérelnie úgy saját törzsanyagával, mint a szomszédos tudományágakkal lépést tartani.

Ehhez az alábbi két kérdéskör körüljárása elengedhetetlen: Milyen új paradigmák és módszerek jellemzik a mesterséges intelligenciák kutatási területeit? Hogyan ítélhetők meg ezek a paradigmák és módszerek az agrárinformatika szemszögéből?

16.2. Definíció

Langton (1989) a következőképpen jellemzi a mesterséges élet fogalmát: „A mesterséges élet olyan rendszerek tanulmányozása, melyeket emberek hoztak létre és melyek olyan magatartást tanúsítanak, mely a természetes, élő rendszerekre jellemző. A mesterséges élet tudománya – számítógépek, vagy más médiák által szintetizált életszerű jelenségek vizsgálatával – kiegészíti azokat a tradicionális biológiai tudományokat, melyek az élő organizmusok elemzésével foglalkoznak. „

Az empirikus jellegű biológia, mely a földi, szénlánc-alapú élet vizsgálatával foglalkozik, a mesterséges élet tanai segítségével kiterjeszthető a biológia egy elméletibb síkjára, mely „az élet, ahogy ismerjük” vezérfonal helyett „az élet, ahogy lehetne” típusú területeket is képes felölelni.

122

Ha a mesterséges élet témája kapcsán egy pillantást vetünk a tudományos-ismeretterjesztő szakirodalom katalógusaiba, akkor az ott fellelhető címek – mint pl. „Künstliches Leben” (Prata 1993), „Artificial life” (Levy 1993), „Games of life” (Sigmund 1993) vagy „Das lebende Spiel” (Emmeche 1994) – egy fajta misztikus benyomást kelthetnek bennünk. A „mesterséges életben” rejlő potenciál józan értékelése azt mutatja, hogy itt egy olyan új, interdiszciplináris kutatási területről van szó, mely az informatika, az evolúcióelmélet és a komplexitás-elmélet metszéspontján helyezkedik el. Bár ez a kutatási terület a közelmúltban a fiatal, még kevéssé ismert irányzatokra jellemző vitalitást mutatta, az agrárinformatika területén mégis viszonylag kevés nyomot találhatunk a „mesterséges életről”.

Ha a „mesterséges életet” , mint az informatika egyik új paradigmáját fogjuk fel, akkor tehát részletezni kell azt, hogy: mivel foglalkozik a mesterséges élet , tehát ismertetni kell a vizsgálódás tárgyát; miben áll a mesterséges élet, mint paradigma újszerűsége; milyen jelek utalnak a paradigma nyitottságára és milyen problémákat lehet jobban megoldani, mint a rivalizáló elméletekkel.

A következőkben közvetlenül csak az első három kérdés kerül terítékre, mivel azokat a problémákat, melyet a mesterséges élet jobban megold, a konkrét módszerekkel kapcsolatosan külön tárgyaljuk. Így a tudományterületet három tulajdonsággal írjuk le: intézményeivel, tárgyával és módszereivel.

16.3. A mesterséges élet intézményi háttere, történeti áttekintés

Amennyiben a mesterséges élet fogalmát Neumann János önreprodukáló automatákkal foglalkozó tanulmányától datáljuk (Neumann 1966), akkor megállapíthatjuk, hogy a „mesterséges élet” fogalma mintegy 30 éves múltra tekint vissza. Azonban mégis a nyolcvanas évek közepéig tartott, míg végre Langton (1989) számos, újszerű komputer-alkalmazása kapcsán a mesterséges élet fogalma stabilizálódott. Azóta a mesterséges élet egy egészséges intézményes fejlődést tudhat be magának: több nemzetközi konferenciát szerveztek már e témakörben, s továbbiak vannak folyamatban, több folyóirat rendszeresen eredményeket tesz közzé a kutatásokról, több monográfia jelent meg a témáról (Stork 1994), több egyetemen kurzusokat vezettek be és a World Wide Web-ben pl. a mellékelt kiindulási cím alatt (www.alife.org) a témában érintett kutatóhelyek címei (linkjei) is megtalálhatók.

16.4. A mesterséges élet tárgya: rendszerszemlélet + szintézis = emergencia

A mesterséges élet általában nem elszigetelt jelenségek magyarázatával és egyszerűsített elemzésével foglalkozik, hanem arra törekszik, hogy a rendszer elemeinek szintézisén keresztül betekintést nyerjen a rendszerek viselkedésébe A mesterséges élet kapcsán nem csak a rendszerszemlélet és a szintézis az újdonság, hiszen ezen módszertani elveknek más területeken is (operációkutatás, szimuláció) nagy hagyománya van. Újdonságnak számít azonban az evolúció koncepciójának átvétele a biológia területéről, az „önszerveződés” illetőleg „emergencia” elveinek átültetése a komplexitás elméletből. Az önszerveződés alatt általában egy rendszer azon képességét értjük, mely bonyolult viselkedésmódozatok létrehozásához vezet, miközben a szabályok, melyeknek a rendszer komponensei alárendeltek, nagyon egyszerűek. Emergenciának nevezik az önszerveződő rendszerek olyan tulajdonságjegyeit, melyeket csak a teljes rendszer, s nem pedig ezek elemeinek esetében lehet vizsgálni (például: a forgalmi dugó fejlődése, a vándormadarak szimmetrikus alakzatai vagy a szabadpiacok spontán rendeződései).

123

Megjegyzendő, hogy az újdonságként kiemelt gondolatok matematikai szempontból ismét csak – mint még annyiszor a mesterséges intelligenciával kapcsolatban – a problémamegoldás kombinatorikai elveire vezethetők vissza, hiszen: a magatartás modellek prioritása jellemzi e területet. Az új paradigma figyelemreméltó nyitottságát legjobban a felölelt szakterületek és a mesterséges élet alkalmazási problémáinak sokszínűségén keresztül lehet bizonyítani. Így a mesterséges élet hátterében egy, a matematikától kezdve a természet- és műszaki tudományokon át egészen a gazdaság- és társadalomtudományokig terjedő hatalmas vonulatot lehet felfedezni. (Balmann ismertetésre kerülő munkája egyike a terület interdiszciplinaritását jól jellemző tanulmányoknak.)

16.5. Módszerek

Tipikus módszerek a mesterséges élet területén: a celluláris automaták, a különféle evolúciós ill. genetikai algoritmusok, programozások, osztályozó/klasszifikáló rendszerek és az autonóm adaptív ágensek.

Mint már említettük, néhány szerző (pl. Gutowitz 1995.) a „mesterséges neuronális hálókat” is a mesterséges élet módszereihez sorolja (l. külön fejezetben).

Ezen túlmenően a „tanulás” pontosabban a „gépi tanulás” fogalma az, amit minden mesterséges intelligencia kapcsán meg kell említeni (l. külön fejezetben), hiszen a problémamegoldás normális (emberi) módja köztudottan a kísérletezés (és a tévedés). Amennyiben egy problémát tisztán kombinatorikailag fogalmazunk meg, úgy az összes eset valóságban történő kipróbálásához (ami különben is lehetetlen, ill. gazdaságtalan lenne) rengeteg időre lenne, szükség, ha egyáltalán a folytonosság miatt a végtelen számú esetet kezelni tudjuk. Amennyiben a számítógépek virtuális valóságában akarjuk lefuttatni az összes esetet a legjobb után nyomozva, a jelenlegi teljesítmények mellett még így is évekbe telne a megoldás megtalálása. Marad tehát a digitális darwinizmus, vagyis tanulás a természettől, ami nem más, mint egyfajta célirányos mozgás. Célirányosság alatt értendő, hogy egy adott állapotból nagy valószínűséggel (jobb esetben kényszerűen) egyre jobb és jobb megoldásokat kell tudni megtalálni. A digitális darwinizmus gondolata a konkrétumok szintjén nem más, mint pl. egy genetikai ill. evolúciós algoritmus.

16.5.1. Celluláris automaták

A celluláris automaták a diszkrét és dinamikus matematikai rendszerek egy olyan osztálya, melyek egyszerű elemekből állnak, de a teljes rendszer szintjén mégis bonyolult viselkedést mutathatnak. (Wolfram, 1984) Egy celluláris automata identikus sejtek hálózatából áll. Ezek a sejtek korlátozott számú állapotot vehetnek fel. A legegyszerűbb esetben minden sejt két, lehetséges állapotot képes felvenni, ami pl. azt jelenti, hogy a sejt „élettelen” vagy „élő” lehet. Minden sejt az állapotát egyik periódusról vagy generációról a következőre megváltoztathatja. Ezek az állapotváltozások egyfajta szabályozási, kölcsönhatási mechanizmusnak vannak alárendelve. A szabályozás lényege, hogy az adott sejt saját állapotától és a szomszédos sejtek állapotaitól függően meghatározható, milyen állapotot kell a következő generációban az érintett sejtnek felvenni. Ezek a szabályok minden sejtre érvényesek és a sejtek állapotainak meghatározása egyidejűleg történik úgy, hogy a sejtes önműködő szerkezet diszkrét időintervallumokon belül változik meg. A celluláris automatákat az mesterséges élet egy formájaként ismerik el, mivel azonos/hasonló objektumok közötti lokális interakciókból komplex magatartásforma keletkezhet és az élő sejtek új sejtek előállításán keresztül szaporodhatnak.

Egy közismert, sokat értelmezett és vitatott (pl. Eigen és Winkler 1979.,Sigmund 1993.) példa a celluláris automatákra a „Life”, mely az angol matematikus John Conway érdeme. Conway celluláris automatája egy végtelen hálózatból ill. hálógyűrűből áll, mely leginkább egy olyan kerítésfonathoz hasonlítható, melynek vége az elejével fonódott össze.

124

Az automata szabályai: Minden sejt lehet szabad vagy foglalt; Amennyiben három szomszédos sejt foglalt, akkor a sejt szabad kell, hogy maradjon; Egy szabad sejt, melyet 3 szomszédos foglalt sejt vesz körül a következő generációban foglalt lesz (tehát

egy „világrajövetel” történik); Egy foglalt sejt foglalt marad, ha két vagy három tőle szomszédos sejt is éppen úgyis foglalt, más esetben a következő generációban szabad lesz (tehát elpusztul az elszigeteltség miatt).

Ezen determinisztikus automatához, mely ugyan reprodukciót igen, de evolúciót nem tud szimulálni, sokféle kiindulási feltételrendszer található, mely stabil statikus és dinamikus viselkedésformákhoz vezethet. A celluláris automaták nem korlátozódnak homogén szabályokkal működő determinisztikus variációkra. További kísérletekben megvizsgálták, milyen hatásai vannak a sztochasztikus elemeknek, heterogén, illetőleg az evolúciót szimulálni képes szabályozási rendszereknek a celluláris automaták viselkedésére (Sipper 1994.). Az elmúlt években az agrárökonómusok számára is érdekes alkalmazások születtek (pl. Balmann 1993, ill. Novak/May 1992, Lindgren/Nordahl 1993), melyek közül Balmann a regionális agrárstruktúra változásokkal foglalkozó disszertációja és tanulmányai közelebbről is bemutatásra kerülnek önálló fejezetként.

16.5.2. Evolúciós algoritmusok

Az evolúciós algoritmusok fogalmát az irodalomban sokféleképpen használják. Gutowitz (1995) és Nissen (1994) például gyűjtőfogalomként használja, mely magában foglalja a genetikai algoritmusokat, genetikai programozást és az osztályozó/klasszifikáló rendszereket, míg Goldberg (1994) az evolúciós és genetikai algoritmusokat egymás szinonimájaként említi. A terminológiában tapasztalható zavarok ellenére több tipikus tulajdonság azonosítható az evolúciós algoritmusok esetében.

Ezek az algoritmusok: iteratívak, ahol minden iteráció (számolásmenet) egy generációt ábrázol; egy véletlenszerűen kiválasztott individuumokból álló populációval kezdődnek és egy problémát

célirányosan oldanak meg; egy generáción belül az egyes individuumok a következő generációra vonatkozó túlélési esélyei függnek

az adott individuum probléma megoldás során mutatott teljesítőképességétől; az individuumokon kisebb változások (mutációk) keletkezhetnek; adaptívak, mert megfelelő környezeti feltételek között az evolúciós algoritmusok nagyobb

teljesítőképességű (helyesebb problémamegoldásra képes) individuumokat generálhatnak, mint a kiindulási populáció legjobbjai.

16.5.3. Genetikai algoritmusok

A genetikai algoritmusok valószínűleg a mesterséges élet legérettebb módszerei, melyeket alkalmaztak már gyakorlati problémák sokaságának a megoldásához (pl. matematikai optimalizálási problémák, műszaki fejlesztés, alakfelismerés, a pénzpiacok előrejelzései, ökológiai modellezés és a szociális kooperációk keletkezésének magyarázata – Goldberg 1994., Forrest 1993.)

A genetikai algoritmusok alapvető komponensei az individuumok egy populációja, a szelekció, a reprodukció, a Cross-over, és a mutáció (Forrest 1993).

125

A genetikai algoritmusok olyan keresési rendszerek, melyek képesek jó megoldásokat találni a sok csúccsal, völggyel vagy szakadékkal teli nehéz megoldási térben. A genetikai algoritmusoknak is vannak gyengéi. Nem ajánlhatók olyan problémákhoz, melyek jól strukturáltak és melyeket a hagyományos matematikai módszerekkel vagy speciális

algoritmusokkal is meg lehet oldani; melyeknek megoldásait szimbólum-sorozatként nem lehet ábrázolni, és melyeknek a megoldásai nem egyeztethetők össze a Cross-over-művelettel (Liepins és Hillard 1989.).

Ki kell emelni, hogy a szimbólum-sorozatokra, mint megoldási stratégiára való visszanyúlás megint csak a kombinatorika elveire vezethető vissza, melyek szerint egy problémamegoldás mindig egy fajta függvény-(, összefüggés-, hozzárendelés)-keresés, mely függvények változókból műveletekből, paraméterekből/konstansokból, illetőleg zárójelekből állnak (inputok). A kutató szakmai hatáskörébe tartozik, hogy a végtelen lehetőségek halmazát (inputok), mely pontokon és hogyan korlátozza, illetőleg milyen keresési stratégiát alkalmaz egy relatíve helyes megoldási alternatíva reális időn belüli fellelése érdekében. A genetika fogalmi készlete alapján mindez úgy hangzik, hogy a lehetséges génekből (gén-pool) kialakulnak fenotipusok (életképesség, fitness), melyek hátterében génsorozatok, kromoszómák, azaz genotípusok (függvények) állnak. A locusok, gének, kromoszómák jelentik azt a lehetőségi teret, ahol változások (mutációk, cross-over) következhetnek be. A kialakult új genotípusok kombinációja és szelekciója révén egyre jobb és jobb egyedek születhetnek.

A továbbiakban arra is rá kell mutatni, hogy azoknál a problémáknál, melyeknél célszerű a genetikai algoritmusok alkalmazása, általában nem, vagy csak nagyon nehezen ítélhető meg a megoldás helyessége. Az ilyen problémáknál különösen a genetikai algoritmusok által létrehozott megoldások optimális létét nem lehet bizonyítani, ill. a megoldásokat nehezen lehet csak interpretálni (pl. kauzális célfüggvény hiányában, ill. mert amúgy is magatartás modellekről van szó, melyek „a megoldás, ahogy lehetne” elv szerint születnek).

Itt kell megjegyezni, hogy a modellezéssel kapcsolatban általában kimondható a céltalanság tétele, mely szerint nem tudható előre, mely ex-post helyességű modell lesz a jövőbeli alkalmazásoknál a legjobb, illetőleg mennyi hiba kell, hogy egy modellben objektumonként megmaradjon.

16.5.4. Evolúciós programozás

Ugyanúgy, mint a genetikai algoritmusok, az evolúciós programozás is alkalmazza operátorként a reprodukciót, a mutációt és szelekciót azon megoldási térben található megoldások keresésére, melyekre a hagyományos optimalizáló módszerek alkalmatlanok és nem eléggé hatékonyak. A genetikai algoritmusoktól eltérően az evolúciós programozásnál azonban a Cross-over-operátort nem használják. Amennyiben a cross-overt egy fajta bonyolult mutációnak fogjuk fel, akkor a különbségtétel elveszíti jelentőségét.

16.5.5. Genetikai programozás

A genetikai algoritmusokban a problémamegoldásokat előre megadott, vagyis fix hosszúságú szimbólum-sorozatként ábrázolják. Ezzel szemben a genetikai programozás a megoldás reprezentálásához nem használ szimbólum-sorozatokat, hanem bonyolult számítógépes programokat, melyeket reprodukció, Cross-over és szelekció segítségével jobb megoldások reményében több lépésben módosít, mely módosítások eredménye egy tetszőleges hosszúságú művelet-változó lánc.A genetikai programozás is iteratív lépésekben folyik (Koza 1992): először a véletlenszerűen generálunk egy nagy létszámú, tetszőleges nyelvű program-populációt, mely alkalmas az adott probléma megoldására. Majd ezeket a programokat lefuttatják és a problémamegoldásra való alkalmasságukat egy fitness értékkel mérik. A genetikai programozás eredményességének egyik sarkköve, hogyan kerül a fitness definiálásra, hiszen a fitness érték nem más, mint a potenciális megoldások rangsora (vö. céltalanság tétele). Ezután a régi populáció programjaiból egy új populációt képeznek, mely két csoportra tagolható. Az egyik olyan

126

előző generációs programokat tartalmaz, melyek számára a fitness elegendő ahhoz, hogy változatlan formában fenn maradjanak. A másik csoport a „fitt” programok keresztezésével jön létre. Ezeket a lépéseket addig folytatják, amíg nem teljesül a STOP-feltétel. S végül az utolsó generáció programjai közül a programot választják ki, melynek a legmagasabb a fitness értéke.

16.5.6. Osztályozó/klasszifikáló-rendszerek

Az osztályozó/klasszifikáló rendszer egy olyan komplex szerkezet, mely az genetikai/evolúciós programozás elemeit a „mesterséges intelligencia” hagyományos komponenseivel köti össze. Az osztályozó/klasszifikáló-rendszer a környezetével detektorok és effektorok által van kapcsolatban. A rendszer belső felépítése: egy hírlistából, egy HA/AKKOR-szabálylistából, egy visszacsatolási mechanizmusból- a „vödörbrigádból”-, egy genetikai algoritmusból és egy eredményfüggvényből áll (Holland 1992).

Ugyanúgy, mint a genetikai algoritmusoknál, az osztályozó/klasszifikáló-rendszerben is a szabályokat megadott hosszúságú szimbólum-sorozatok formájában állítják elő. Egy osztályozó/klasszifikáló-rendszer problémamegoldó képességét a szabályok tartalmazzák. Ezen szabályok „akkor”-része egy olyan hír, melyet akkor küldenek el, ha a „ha”-részét a szabályoknak a hírlistában teljesítették. A legtöbb, szabályokból kiinduló hír más szabályokat aktivál és csak kevés szabály készteti a effektorokat cselekvésre.

Az osztályozó/klasszifikáló rendszerek kétféle módon tanulhatnak. Elsőként a rendszer egymással versengő szabályokat tartalmaz azonos „ha”-részekkel, de különböző „akkor”-részekkel. Ha a „ha”-részét a szabályoknak teljesítették, akkor el kell dönteni, melyik szabálynak szabad hírei „akkor”-részét elküldenie. Ez a döntés a szabályok súlya alapján történik, ahol a súly egy belső számítási értéknek felel meg, mely a piacon a szabály versenyképességét a hírek küldési jogával kapcsolatosan fejezi ki. Az „vödörbrigádok” feladata az hogy ezen a piacon a tranzakciókat nyilvántartsák és az eredményes szabályok erősségén és a kevésbé eredményes szabályok gyengeségén keresztül a tanulást lehetővé tegyék (Holland és Miller 1991.). Egy osztályozó/klasszifikáló rendszer másik tanulási komponense a genetikai algoritmus, mely új szabályokat generál és szelekció segítségével teljesítőképesebb szabályozói rendszereket fejleszt ki (vö. Szabálygenerátor).

16.5.7. Adaptív autonóm ágensek

Az ágens egy szervezet, mely több, egymással együttműködő részlegből (szintén önálló ágensek) áll és anélkül teljesít egy feladatot, hogy a felhasználónak tudni kellene, hogyan oldja meg az ágens a feladatot (Minsky 1994). Gyakran az ágensek bizonyos cselekvésre specializálódnak és szenzorokkal és effektorokkal vannak ellátva, melyek megengedik azt, hogy egy dinamikus környezetben célirányosan járjanak el. Az ágenseket akkor tekintik autonómnak, ha cselekedeteiket külső beavatkozás nélkül választják meg. Egy ágens adaptív, ha a tapasztalatait a cél jobb elérése érdekében hasznosítani képes. Az ágensek élete a tanulásból és önjavításból áll. Az ágensek azonban nem alkalmasak reprodukcióra. A mesterséges ágens-élet evolúcióként az alkalmazkodáson és tanuláson, ill. az emergencián keresztül fejeződhet ki, de semmi esetre sem reprodukcióra és szelekcióra alapuló evolúción keresztül.

16.6. Ellenőrző kérdések

Hogyan definiálhatjuk (jellemezhetjük) a Mesterséges életet, mint új paradigmát? Milyen módszereket ismerünk a Mesterséges élet tudományterületén belül?

127

17. Esettanulmány : Celluláris automaták alkalmazása az üzemméret változás dinamikus szimulációjánál

17.1. Bevezetésként néhány szó a nyomfüggőségről

Mielőtt a címben feltüntetett téma taglalásába közvetlenül belekezdenénk, meg kell említeni, hogy Balmann „Pfadabhängigkeiten in Agrarstrukturentwicklungen” című disszertációja, ill. kapcsolódó tanulmányai központi kérdése a „nyomfüggőség” mibenléte. A nyomfüggőség kategóriájába sorolandó minden olyan jelenség, ahol adott kiindulási feltételek esetén egy rendszerben stabil, egymásba át nem fordítható (ill. csak jelentős tranzakciós költségekkel átfordítható) állapotok léteznek (pl. szabványok hatása az ipari termelésre, billentyűzet kiosztás hatása a gépírásra, jobb, ill. balkormányos autók és közlekedési logika, cégcsoportosulások, avagy Silicon Valley Kaliforniában). A nyomfüggőség lényege, hogy egy látszólag jelentéktelen, véletlenszerű döntéssel, eseménnyel (pl. egy adott homokszem melyik oldalán folyik el az első csepp víz) olyan nyomvonalra terelődhet a fejlődés (pl. folyammeder), melynek későbbi megváltoztatása komoly problémákat vet fel (pl. folyószabályozás).

A nyomfüggőség létezésének számos, ökonómiai szempontból is fontos következménye van (Arthur, 1989): a jelenségek jövőbeli alakulásának előrejelezhetősége bizonyos időintervallumokban nagyon alacsony

lehet, míg más esetekben nagyon magas, attól függően, hogy a rendszer eljutott-e már egy stabilnak tekinthető állapotba,

apró események, történelmi jelentőségű változásokat válthatnak ki, egy egyszer megkezdett nyomvonalat csak nehezen, vagy egyáltalán nem lehet elhagyni a továbbiakban, a nyomfüggő rendszerek hajlamosak a hatékonyság szempontjából szuboptimális állapotok

fenntartására.

Az utolsó pont egyben át is vezet néhány fontos agrár vonatkozású kérdéshez: Előzmények: Mint köztudott 1993-ban az egyesülés utáni Németország keleti felében a mezőgazdasági területek 78,8 %-a volt 500 hektárnál nagyobb üzemek kezelésében szemben a nyugati tartományok 12,5 %-os arányával. A dualitás nem csak az üzemnagyságban, hanem az üzemi jövedelmekben is világosan kifejezésre jutott.Kérdéses tehát: Feloldható-e valaha is az egyesített Németország két felében uralkodó üzemméretbeli különbség, s ha igen, mikor és milyen feltételek mellett? Létezik-e egyáltalán olyan, mint optimális üzemméret, s ha igen, hogyan fejezhető ki és érhető el?

Az eddig a témakör kapcsán összegyűlt ismeretanyag rámutat arra, hogy a komparatív statisztikai számításokkal kikalkulált optimális üzemméret elérését számtalan tényező akadályozza, ill. teszi lehetetlenné.

A nyomfüggőség okai lényegében egyszerűek: egy több lokális optimumponttal rendelkező rendszer azon szereplői, akik bármely ok miatt az abszolút optimumtól távolabb egy lokális optimum közelében helyezkednek el kényszerűen a lokális optimum felé mozdulnak el, hiszen az abba az irányba tett változás többleteredménnyel kecsegtet, míg bármely más relatíve kis mértékű változás veszteséget valószínűsít. S ez mindaddig igaz is, míg a változás relatíve kis mértékű. Amint azonban egy kellően nagy ugrást sikerül végrehajtani, úgy a vizsgált rendszerkomponensek új lokális (esetlegesen már az abszolút) optimum vonzási körébe kerülnek, s ennek megfelelően fejlődnek tovább. Azonban a relatíve nagy változások jelentős áldozattal járnak együtt, ha egyáltalán lehetségesek.Átugorva a nyomfüggőség elméleti vonatkozásait következzék a celluláris automaták elvére épülő szimulációs modell bemutatása.

128

17.2. A modell

17.2.1. A modell felépítéséről

Az alábbiakban bemutatandó kísérleti eredmények egy olyan fiktív régió földrajzi modelljére alapulnak, ahol mezőgazdasági üzemek állnak egymással versenyben. A térségi üzemméret és földbérleti viszonyok alakulása egy komplex, dinamikus folyamat, mely – számtalan okra visszavezethetően – nyomfüggőségeket mutat. A térségben lévő üzemek magatartása (üzemalapítás, -feladás, földbérlet, bérbeadás) az üzemek saját állapotától, a konkurens üzemek viselkedésétől és a gazdálkodást befolyásoló környezeti tényezőktől függ. Ilyen jelenségek vizsgálatára a szimulációs eljárások nagy segítséget jelentenek.

A modellben adott egy fiktív régió, s ebben egy bizonyos számú mezőgazdasági művelésre alkalmas azonos minőségű parcella. (Mint majd a modellből kiderül, a parcellák egyedi vonásainak figyelembe vételére hasonlóképpen lehetőség lenne, mint azt az üzemek esetében majd látni fogjuk.) Ezen parcellákat a mezőgazdasági üzemek bérelhetik. Tulajdonosként egyetlen üzem sem léphet fel. A régió szempontjából létezik egy környezet, mely egyrészt a ráfordításokat biztosítja, ill. az árakat szabja meg, másrészt a termékek felvásárló piacát jelenti. Adott ezenkívül még az első pillanatban egy bizonyos számú üzem, melyek közös jellemzője a nyereségorientált cselekvés kényszere, de az üzemek különböznek a rendelkezésre álló erőforrások (tőke, munkaerő, stb.) tekintetében. Az üzemek versengenek a rendelkezésre álló bérelhető földterületekért.

A modellben a celluláris automaták logikájának és a valóságnak megfelelően az erőforrás-allokáció és a termelés diszkrét időpontokhoz kötötten zajlik. Az egyedi üzemek tervezési és döntési folyamatai a modellben szimultán folynak. Így válik lehetővé az üzemek egymásra hatásának kezelése.

17.2.2. A celluláris automaták szerepe a komplex szimulációs modellben

Egy celluláris automata leegyszerűsítve nem más, mint egy bonyolult számítógép, melynek jellemzői, hogy földrajzilag megkülönböztethető, diszkrét és szabályosan elhelyezkedő, azonos sejtekből állnak, mely

sejthálózat általános formája egy n-dimenziós mátrix, egy adott sejt aktuális értéke saját korábbi és a bizonyos egyéb környező sejtek korábbi értékeinek

függvénye (általában a szomszédos sejtek, ill. cellák előző periódusának értékei kerülnek figyelembevételre),

minden sejt csak egy bizonyos, véges számú állapotot (értéket) vehet fel.

17.2.3. Az üzemméret és a földbérleti viszonyok jellemzői

Ha egy régió mezőgazdaságilag művelt területeinek (parcelláinak) időbeli változásait a művelési mód ill. a tulajdonviszonyok szempontjából felülről nyomon követnénk, akkor egy kétdimenziós celluláris automatához hasonló jelenséget kapnánk eredményül. Noha a valóság nem teljesen felel meg a celluláris automatákról előbb elmondottaknak, hiszen egy régió térben nem teljesen rendezett parcellákból áll, ill. a változások (tulajdonjog, földhasználat) hátterében determinisztikus szabályok nehezen fedezhetők fel, mégis kijelenthető, hogy a valós viszonyok is bizonyos közgazdasági és szociális összefüggésrendszer eredményeként jönnek létre.

Ezen összefüggések az alábbiak szerint jellemezhetők: a földhasználati és tulajdonjogi változások egy dinamikus folyamatot jelentenek, a rendszerben érintett szereplők döntéseket hoznak, melyek – ha ezek hatása a döntéshozónál

közvetlenül jelentkezik – zömmel ökonómiai megfontolásokon alapulnak, bizonyos eredmények, döntések és akciók egész számúak, bizonyos rendszerkomponensek egyszeriek és nem oszthatók fel, különösen lokális szinten a döntéshozók cselekedetei és ezek eredményei között visszacsatolás

figyelhető meg,

129

bizonyos folyamatok irreverzíbilisek, a rendszer adott állapota nem elhanyagolható mértékben függ ennek megelőző állapotaitól.

Az itt felsorolt feltételeknek az ismert közgazdasági modellek csak részben felelnek meg, s az esetek zömében a döntéshozók tanulási folyamataitól és a közöttük fellépő függőségektől elvonatkoztatnak. A celluláris automaták azonban tálcán kínálják ennek a lehetőségét. A celluláris automaták alkalmazásakor kézen fekvő, hogy egy régió mezőgazdaságilag művelt parcelláit (tábláit) olyan sejteknek tekintsük, melyek alapvetően információhordozóként működnek a komplex szimulációs modellben, azaz mint objektumhoz tulajdonviszonyok, földhasználati viszonyok és egyéb üzemi, egyedi tulajdonságok rendelhetők hozzá. Ezen tulajdonságok és a közöttük definiált összefüggések alapján a parcellákhoz minden periódusban megadható a tulajdonos és művelési mód. A modell lényege tehát az állapotváltozásokat leíró összefüggésrendszer, mely teljes egészében emberi produktum. Ebben az értelemben a celluláris automaták nem összefüggések felfedését, hanem ezek térbeli hatásának vizsgálatát teszik lehetővé.

17.2.4. A modell lefutásáról

Első lépésként megadásra kerül a parcellák és az üzemek száma, ill. az egyes üzemek erőforráskészlete. Majd véletlenszerűen kiválasztásra kerülnek a parcellák közül azok, melyek az üzemek központját szimbolizálják a celluláris szerkezetben. Amint az üzemek véletlenszerűen megadott tőke és munkaerő készlettel a térképi helyüket elnyerték, indulhat a szimuláció, melynek első lépése az üzemi elvárások megfogalmazása. Az elvárások kidolgozásakor a modellben az elvárások adaptív kidolgozásának logikája (disszertáció, Nerlov, 1958) kerül felhasználásra. Ez nem mást, mint egy súlyozott mértani átlag számítás az elmúlt periódusok árainak alapján. Az eredményül kapott átlagár egy adott termék t+1 periódusra érvényes ára. A modellben minden üzem azonos elvárásokra alapozottan cselekszik, ill. az árak a jövőre nézve konstansak, noha egyszerű korrekciós tényezőkkel lehetőség lenne ezek dinamizálására.Amennyiben úgy az erőforrások, mint a termékek árai adottak, a fedezeti hozzájárulás (mint célfüggvény) maximalizálásához minden esetben fel kell tételezni termelési függvényeket, ill. fix input(erőforrás)-output(termék) viszonyokat. Az elvárások meghatározása után az üzemek, melyek ebben a pillanatban még csak egyetlen telephellyel, ill. tőkével és munkaerővel rendelkeznek, saját adottságaiknak megfelelően a klasszikus optimalizálási elvek figyelembe vételével kiszámítják, hogy egy parcelláért mennyi bérleti díjat kínálnak. Az egyes üzemek kínálati árai alapján kialakul egy földpiac, melyen a legmagasabb árat kínálók földhöz jutnak. Ez a folyamat egészen addig tart, míg minden egyes parcella bérbeadásra nem kerül.

Az üzemek a földbérlés mellett periódusonként végig gondolják még az alábbi kérdéseket is: érdemes-e az üzemet egyáltalán fenntartani, érdemes-e invesztálni (pl. új istállót építeni), érdemes-e új telephelyet (üzemet) létrehozni?

Ahhoz, hogy ezen kérdéseket meg lehessen válaszolni minden egyes periódusban szükség van arra, hogy az üzemek termelési szerkezetét meghatározzuk. Ez LP logikai szerint történik.

Amennyiben az üzemi nyereség nem fedezi az egyéb elvárások mellett a bérleti díjat, akkor az üzemek feladják az egyes parcellák bérleti jogát, s új szabadon bérelhető területek keletkeznek, melyek újra bérelhetők a következő periódusban.

A modellben az alábbi üzemi változók kerülnek periódusról periódusra kiszámításra: munkaerő (bővítés, csökkentés = jövedelem

invesztíció, dezinvesztíció) jövedelem felélése üzemvezető életkora (n+1) saját tőke bérleti díjak idegen tőke (hosszú távú) szállítási költségek törlesztések

130

kamatok likvid pénzeszközök értékcsökkenés beruházások idegen tőke (hosszú távú) kapacitások törlesztések likvid pénzeszközök beruházások kapacitások

17.2.5. A modell alkalmazása

Az előzőekben definiált modell segítségével megvizsgálható, hogy változik pl. az üzemméret több periódus alatt. E kérdés vizsgálatakor egyszerre több szcenáriót (kiindulási állapotot) is érdemes megadni, mint pl. kisüzemi struktúra, közepes méretű üzemek dominanciája, nagyüzemi struktúra.

A modellben a kiindulási feltétel megadása során felhasználásra kerül a véletlen-számgenerátor, ill. paraméterezés. A modell eredmények a véletlenszám-generátor vezérlésének változásakor viszonylagos stabilitást mutatnak, hasonlóképpen megfigyelhető ez a paraméterek változtatásakor. A paraméterváltoztatás lehetőséget kínál különböző gazdaságpolitikai konstellációk hatásának kimutatására: pl. hogyan változik az üzemméret dinamikája, ha a beruházások relatíve többe kerülnek az üzemeknek, ill. az üzemek tőkeellátása rosszabbodik?Érdekes kérdésként merül fel a továbbiakban, hogy milyen paraméterváltozások esetén várható el egyfajta optimális üzemméret kialakulása, vagyis mindhárom üzemtípus (kis, közép és nagyüzem) egyetlen közös érték felé való közeledése. A modellel nyert tapasztalatok azt mutatják, hogy amennyiben a földpiacot, ill. az használt állóeszközök piacát élénkítik, úgy az üzemméret dinamikájában jelentős változások állnak be, s kialakulni látszik egyfajta optimális üzemméret.

17.2.6. Modellkritika

Világosan kell látni, hogy ilyen komplexitású modellek felhasználása különböző kiindulási paraméterkombinációk hatásának vizsgálatára csak bizonyos korlátozásokkal alkalmas. Alapvetően csak az eredmények tendenciáit lehet alapul venni, s nem ezek számszerű értékeit. Hiszen az egyes tényezők közötti összefüggések oly komplexek, hogy az összefüggések valósághű leképezése lehetetlen. Másrészt az egyes, egymáshoz látszólag közelálló (hasonló) paraméterkombinációk teljesen eltérő eredményekre is vezethetnek.A modell segítségével azonban jól kimutatható, hogy komplex rendszerek (mint pl. a földpiac) sok szereplős leképezésekor olyan jelenségekre derül fény, melyek más úton nehezen vizsgálhatók.

17.3. Ellenőrző kérdések

Mi a nyomfüggőség? Hogyan épül fel és működik az ismertetett modell?

131

18. Esetalapú következtetés (CBR = case-based-reasoning) a diagnosztika és döntéstámogatás területén

18.1. Bevezetés

Az utóbbi években az esetalapú következtetés hatékony problémamegoldó technikának bizonyult a legkülönbözőbb feladatok esetében. A CBR alapötlete kézenfekvő, új problémákat a régebbi esetek tanulságai alapján meg lehet oldani.

Egy sor hétköznapi példa illusztrálja ezen ötlet létjogosultságát: Az orvos emlékszik egy korábbi hasonló szimptómákat mutatott betegre és ennek alapján javasol egy

terápiát. Egy mérnök észrevesz egy furcsa zajt és emlékszik, hogy a múltban valami hasonló zaj előzte meg az

érintett gép meghibásodását. Egy ügyvéd azzal érvel, hogy egy hasonló ügy vádlottja korábban enyhébb büntetést kapott.

Ezek a példák egyértelműen illusztrálják, hogy a CBR sok problématípus esetén használható, mint pl. az osztályozás (klasszifikáció), (újra)felismerés, értékelés és érvelés.

18.2. A CBR általános modellje

Az esetalapú következtetés (CBR) egy technika, amely a problémákat egy korábbi eset tárolása, elérése és adaptálása útján oldja meg. Egy eset a múltban fellépett problémáknak és megoldásaiknak leírása. Egy új probléma fellépésekor a CBR visszanyúl a hasonló esetekre és adaptálja azok megoldásait az új esetre. Mindez azon a feltételezésen alapul, hogy a leírt hasonló problémáknak hasonló megoldásai vannak (vö. káoszelmélet, mely ennek ellenkezőjét valószínűsíti szintén logikus érvek alapján). Ennek következtében nagy jelentősége van egy megfelelő hasonlósági mérőszám specifikációjának (vö. Joker, generátormodell, neuronális hálózatok, genetikai algoritmusok, Cluster-analízis).

A CBR általánosan elfogadott modelljének értelmében a folyamat részfeladatokból áll: a leghasonlóbb eset megtalálása az adatbázisban, ezen eset összevetése az aktuális problémával, a javasolt megoldás kidolgozása, az adaptív problémamegoldás részleteinek rögzítése a jövő számára.

A legegyszerűbb CBR-ek tervezésénél a központi ötlet, hogy egy esetet, mint „eset=probléma+megoldás”-t mutatunk be, ahol egy megtalált eset megoldását általában közvetlenül (tehát adaptáció nélkül) átvesszük.

18.3. A rokon fogalmak és a CBR kapcsolata

18.3.1. Szakértői rendszer vs. CBR

Egy a CBR-rel szorosan összefonódott technika a döntési fák kidolgozása (indukció). Míg az indukció klasszikus módon egy olyan technikának tekinthető, amely példák sokaságából szabályrendszereket (vö. szakértői rendszer) generál, addig itt az indukció a CBR egy lehetséges kiterjesztéseként értelmezhető, amely az esetekre egy hatékony indexelési sémát (hasonlósági rangsorképzést) jelent;

132

a lehetséges leghasonlóbb eseteket gyorsan és hatékonyan képes kiszűrni.

Következésképp e technikák bizonyos tekintetben egymás komplementerei és egymással kombinálhatók a kölcsönös előnyök elérése érdekében.

18.3.2. Osztályozás – Diagnosztika – Döntéstámogatás

Egy diagnosztikai rendszer tervezésénél különböző stratégiákat lehet alkalmazni. A klasszikus út az, hogy a diagnózist, mint osztályozási (klasszifikációs) problémát fogják fel, ahol a problémamegoldás elemei a szimptómák és a diagnózisok; egy probléma egy szimptómasorozatként írható le; egy probléma megoldása egy vagy több diagnózis lehet; a következtetési folyamat alatt egyre újabb szimptómákra lehet rákérdezni.

A diagnózis és osztályozás fogalmakat szinonimaként is használják, annak ellenére, hogy egy a fogalmak megkülönböztetésére egyértelmű kritérium ismert: Míg a diagnózis legtöbbször magában foglalja a szimptómák kiderítésének folyamatát, addig az osztályozási folyamat kezdetén minden adat ismert. Hozzá kell fűzni mindehhez, hogy számítógépes diagnosztika esetén a különbség tétel valóban indokolatlan, hiszen ott minden komponensek előre ismertnek kell lennie. Az emberi, szakértői diagnózisok esetén azonban a különbségtétel valóban jogos. Hasonlóképpen kell értékelni az alábbiakban a döntéstámogatás kapcsán felsoroltakat:A döntéstámogatás folyamata a diagnosztikánál is tágabb fogalom: legtöbbször nem lehet ugyanis a szimptómák és megoldások elkülönült halmazait beazonosítani, sokkal inkább azt kell tisztázni az előkészítő munka során, hogy egy probléma kapcsán felmerülő jelenségek, ismeretek közül melyek hasznosak egyáltalán, ill. melyek jelentenek egyben megoldást is. Egy esetet ekkor mint egyfajta „mintát” kell felfogni, amelynek minden komponense hasznos lehet más komponensek eléréséhez. Például egy autón általában nem csak a tényleges hibát találhatjuk meg (lyukas a hűtővízcső), hanem olyan szimptómákat is (felforr a motor), amelyek ezen hiba velejárói. Vagyis nehezen határozható meg konkrét jelenség esetén, hogy az okkal vagy az okozattal állunk-e szemben.Más megközelítésben: szemben az osztályozással a diagnosztika és a döntéstámogatás célja emberi szakértő esetén nem annyira egy hasonló eset megtalálása és megoldásának használata, hanem a kiindulási állapotról (szimptómákról) szóló információk teljessé tétele, vagyis annak bizonyítása, hogy egy adott végkövetkeztetés az összes ismeret birtokában is helyt álló, azaz a helyzet nem ellentmondásos. Különösen ekkor tekintjük a CBR-rendszert eszköznek, amelynek segítségével elérhetők a „közös emberi emlékezet” információi. Ezeket az információkat használja azután egy szakértő a megoldás megtalálásához.

18.3.3. Kulcsszó: A hasonlóság

A CBR, hasonlóan más mesterséges intelligencia módszerekhez matematikai értelemben lehetővé teszi, hogy egyfajta hasonlósági skálát hozzunk létre, amely alapján eddig ismeretlen szituációk következményeit nagy pontossággal fel lehet vázolni. Így alapvetően a CBR metodika sem más, mint az összefüggések végtelen kombinatorikai terében való tájékozódás egy speciális fajtája.

18.3.4. Szakértői tudás vs. formalizmus

A szakértők majd mindig ismernek megfelelő eseteket (szituáció+megoldás), de ezeket legtöbbször nem tudják absztrakt formában ( pl. szabályokban) összefoglalni. Az emberi szakértők nem szabályrendszerek, hanem tapasztalatok könyvtárai.Az esetként rendelkezésre álló tapasztalatok közvetlen használata által csökkenthetők a szűkkeresztmetszetek a tudásszerzésnél (Általános gyakorlat: féligazságok, mint szabályok manipulálása ahelyett, hogy a meglévő alapadatokat bővítenénk ill. újra és újra elemeznénk egyre helyesebb összefüggések után kutatva).Az a néhány szakterületen (pl. az orvostudomány tipikusan esetorientált, már a hallgatók képzése is esetek alapján történik) az eddig végzett kísérlet, amely az összes tudást szabály- és modellalapú formára akarja

133

hozni, látszólag teljesen kilátástalannak bizonyult. (Ennek egyértelműen ellentmond azonban az a tapasztalat, hogy bármely önmagában egyértelmű esetgyűjteményhez lehet olyan szabályrendszert, ill. függvénykapcsolatot találni, mely képes a megadott ok-okozati párok 100 %-os visszatükrözésére.)Nagy különbség van azonban az alkalmazott összefüggéskeresési technikák között a tekintetben, melyik mennyire hiteles a nagyközönség és a szakma előtt. A következtetési folyamat sajnos csak ritkán látható át a felhasználó számára (magatartás vs. szerkezeti modell, szóbeli interpretálhatóság, szakértői tudás fejlesztéséhez való impulzus) mesterséges intelligencia-háttér nélkül, noha a kiindulási hipotézis „hasonló problémáknak a megoldásai is hasonlóak” majdnem minden mesterséges intelligencia alkalmazásban benne van.A módszeres esetfeldolgozás előnye az emberi emlékezettel szemben, hogy a rendszereket mindig tovább lehet fejleszteni: mindig új ismert eseteket lehet hozzáfűzni az adatbázishoz, melyek feldolgozása mindig szisztematikus szemben a szubjektív feledékenység negatív hatásaival. Így az „amiről nem tudok, az nem is létezik, tehát nem is kell tudni megmagyarázni” elv veszélyes gyakorlata folyamatosan kiküszöbölhető.Sajnos a CBR-nek, ill. minden esetalapú módszernek van néhány hátránya is: Először is szükséges egy kellően nagy és megbízható esetgyűjtemény. Másodszor gyakran nagyon nehéz egy megfelelő hasonlóságmértéket találni, hiszen egyetlen modell esetében sem lehet bizonyossággal megmondani, hogy ez csak az ismert esetekre igaz, vagy hasonló mértékben az akkor még ismeretlenekre is.

18.4. Néhány alkalmazás

Projekt szinten Elvilegrepülőgépmotor-hibák felderítése(Cassiopee)

mezőgazdasági gépek diagnosztizálása

robotok tengelypozíciójának beállítása(Ladi)

pl. vetőgépek beállítása

utazási ajánlatok(CaBaTa)

vegyszerjavaslat

18.5. Ellenőrző kérdések

Mi a CBR alapötlete? Mi a CBR általános modellje?

134

19. Esettanulmány: Számítógépes diagnózisok előnyei a LADI példáján

A Sepro Robotique egy francia vállalt több, mint 100 alkalmazottal, amely 10 éve robotokat gyárt a műanyag-feldolgozás részére. A Sepro világszerte eddig mintegy 2600 robotot gyártott. A robotok óriási gépek, amelyek műanyag tárgyakat vesznek föl egy présről és ezeket sokrétű módon továbbmanipulálják (összefűzik a részeket, stb. ) Minden robot a mindenkori vevő kívánsága szerint speciálisan kerül kialakításra és három fő modulból áll: mechanikus, motorikus és elektronikus modulból. A Sepro- nál a technikusok és a szervizmérnökök gyakran úgy járnak el meghibásodások esetén, hogy az általános modulokkal gyűjtött tapasztalatokkal hasonlítják össze az aktuális hibákat. Itt az a probléma, hogy az ilyen robotoknak hosszú az életciklusuk. Pl. még mindig működnek olyan robotok, amelyeket 10 évvel ezelőtt installáltak és ezeket is még szervizelni kell. Különösen az új technikusok nem tudnak a belső képzés során tapasztalatokat gyűjteni azokkal a robotokkal kapcsolatban, amelyeket már nem gyárt a Sepro. Pl. ez az eset a Sepro Elec 88-52 családdal. Ezért a Sepro Call-Center-ben (vevőszolgálat), ahol állandóan 4 technikus tartózkodik gyakran adódnak problémák a régi készülékek hibáinak keresésekor, különösen akkor, ha egyetlen idősebb technikus sincs szolgálatban.

A vevőszolgálat emelkedő költségei miatt a Sepro fő hangsúlyt helyezett a hatékonyabb ennek hatékonyabb működtetésére. 1995 januárjában elkezdett a Sepro az AcknoSoft céggel egy közös munkát, mely célja, hogy egy eset alapú diagnosztikai rendszert installáljon. A Sepro előzetesen meggyőződött az eset alapú diagnosztika gyakorlati megvalósíthatóságáról és a vevőszolgálati problémákra való alkalmasságáról. 1995 júniusában készült el a „ Ladi „ nevű rendszer, amely a robotok egy meghatározott fajtájánál a tengely-pozicionálási problémákat dolgozza fel.

A rendszer közel 150 esetet tartalmaz, amelyek korábbi problémák információiból lettek rekonstruálva. A telefonhívásokat nyomon követő modult (Call Tracking Modul), amely az összes bemenő hívást felveszi, egy hálózaton keresztül minden technikus használja. Az esetbázis mindenki számára hozzáférhető formában áll rendelkezésre a PC-k egy TCP/IP-hálózatán keresztül. Az adatbázis közel napi 10 esettel gazdagodik, amelyeknél a belső szervezés előírja az esetek véleményezését. A rendszer a CBR és az indukció kombinációját használja, hogy a technikusok gondolkodásmódjának megfeleljen. Amint befut egy új telefonhívás, ezt azonnal feldolgozzák egy az esetbázisból előre generált döntési fa segítségével. Ezzel a módszerrel oldják meg az összes probléma 75%-át. A döntési fa mélységét tudatosan kis mértékűre választották (3-6 kérdés), hogy a hívások időtartama rövid legyen. Ha a problémát nem oldották meg, mert pl. egynél több diagnózis jön szóba, akkor a rendszer egy „dinamikus indukció” nevű technika segítségével automatikusan generál egy listát a még megválaszolandó kérdésekről. Automatikusan megy a fax a diagnózis állásáról és a kérdésekről a vevőnek, akit arra kérnek, hogy ezt a következő hívás előtt válaszolja meg. A dokumentációkkal és más adatbankokkal való összeköttetés felhasználásával lehetővé válik, hogy a szerviztechnikus illusztrált leírásokat és hibajegyzőkönyveket ágyazzon a vevőnek menő faxba. Amint a vevő újra telefonál, ismét előveszik a korábbi esetét, és azt kiegészítik az épp az imént megválaszolt kérdésekkel. Erre építve a rendszer elvégzi a legközelebbi szomszéd keresését (nearest neighber search) az idevágó esetek között és szállítja a leghasonlóbbat annak diagnózisával együtt.

A rendszer lehetővé teszi: annak az időnek a redukálását, amelyet a rendkívül specializált technikusoknak a diagnosztizálással kell

eltölteniük. a vevőszolgálat személyzete által felállított hibás diagnózisok számának redukálását, (hiszen ezeknek a

következménye rossz alkatrészek kiküldése, és további állás- és kiesési idők). a diagnózis folyamatának formalizálását a hibás diagnózishoz kialakított tesztek kiválasztásával. (A

Sepro belefoglalta a projektbe a vevőszolgálat mellett az oktatási részleget is) a vevőszolgálat munkatársainak képzésénél egyfajta megtakarítást azáltal, hogy a szaktudás kezdőknek

való átadását specialisták végzik. Mint már jeleztük, ez különösen fontos, mert használatban vannak még régebbi robotcsaládok, amelyeket már nem gyártanak és ezért a fiatalabb technikusok nem ismerik.

135

a vevőszolgálat minőségének javulását és a Call Tracking valamint a rendelkezésre álló hibajegyzőkönyvek által a vevők visszahívásának redukálását. Ez jelentős szerepet játszik a Sepro tekintélyének javításában és új piacok megszerzésében.

Amennyiben a robot szó helyébe tetszőleges mezőgazdasági gépet helyettesítünk, akkor világosan látható, hol és hogyan lehetne a mezőgazdasági termelést hasonló módszerekkel támogatni.

136

20. Esettanulmány: Benchmarking

Az esetalapú következtetés és a szakértői rendszerek közös, mezőgazdaságilag releváns alkalmazási területe a horizontális üzemelemzés. A következőkben a Zeitung für Agrarinformatik című szaklapban 1996. februárjában Volker Suhren tollából megjelent gondolatok kapcsán bemutatásra kerül a problématerület és ennek jövőben várható fejlődési esélyei:

Üzemi adatok gyűjtése és ezek horizontális üzemösszehasonlításban való felhasználása egyike tehát a számítógépes adatfeldolgozás tradicionális területeinek az agrárszektorban. Ismert példája ennek a táblatörzskönyvek vezetése a mezőgazdasági üzemekben és ezeknek üzemeket átfogó kiértékelése az üzemben lévő gyenge pontok és potenciálok meghatározása és elemzése érdekében.Egy idő óta a mezőgazdaságon kívül üzemösszehasonlításokkal kapcsolatban gyakran használják a „Benchmarking” kifejezést. Ezzel a kifejezéssel az üzemösszehasonlítás olyan formáit írják körül, amelyek jóval túlmutatnak a mezőgazdasági üzemösszehasonlítások határain. A nem mezőgazdasági területeken bekövetkezett változásokból messzemenő következtetéseket lehet levonni a mezőgazdasági elemzések jövőbeli fejlődésére.

20.1. Benchmarking a management támogatásához

A fogalom tartalmi jelentése szó szerinti fordításban a „Benchmark” annyit jelent, mint trigonometrikus pont, azaz egy állandó viszonyítási alap felmérésekhez ill. összehasonlításokhoz. A „Benchmarking” kifejezést a 80-as években Charles Christ alkotta, aki akkor a Xerox Reprographics Manufakturing Group elnöke volt. Egy szakemberekből álló csoportot küldött az egzisztenciálisan veszélyben lévő japán konkurenciát látván ezzel a jelszóval: „Szükségem van egy trigonometrikus pontra amihez mérhetem magam, hogy megértsem, innét hova kell mennünk” (Leibfried-McNair, 1993). Az első, konkurenciaharc szülte Benchmarking-projektnek nagy sikere volt. A hatékonyság több vonatkozásban is nőtt. A hibás gépek aránya 85%-, az előállítási költségek 50%- és a fejlesztési idő 66%-kal csökkent (Leibfried-McNair, 1993). Ez a tapasztalat simává tette a Benchmarking managementet támogató eszközként való széleskörű bevezetésének útját.

20.2. A Benchmarking tárgya

Egy Benchmarking-projekt tárgya általában mindig a csúcsteljesítmény keresése, függetlenül döntési problémáktól (context free módszer). Informatikai szempontból a benchmarking nem más, mint lokális ill. abszolút optimumok keresése (általában csak részlegesen) ismert esetek (üzleti titkok) alapján. Visszautalva a CBR-nél már említettekre megfigyelhető, hogy itt jelenleg a szakértői munka áll a középpontban, ennek esetpontosító, ellentmondásmentesítő jellegével.Felmerül a kérdés, hogy milyen szektorban ill. milyen síkban kell megkezdeni a keresést. A Leibfried/McNair (1993) szerint a keresésnek a következő 3 szektorra kell koncentrálódnia: szerepek, eljárások és stratégiák.

A szerep fogalom itt annak a magját jelenti, amit egy személy vagy egy funkció a szervezet számára nyújt. A főkérdés röviden:

„Valóban a megfelelő dolgokat tesszük?...”Ha a megfigyelés előterébe az eljárások kerülnek, akkor a továbbiakban hatékonysági kérdéséről van szó, ami ismét csak röviden, egy kérdésbe sűrítve annyit test:

„Megfelelően tesszük a dolgainkat?...”. Elméletileg minden eljárást javítani kell, de a Benchmarking-projektnél a cél áll az előtérben: minél kevesebb erőforrás bevetésével, minél nagyobb növekedését elérni. Ehhez az hozzáadott érték láncolaton

137

belül meg kell határozni olyan eljárásokat, amelyek magas hatékonyságnövelő potenciállal rendelkeznek és a lánc kulcsfunkcióit fejezik ki.A Benchmarking a stratégiai kérdésekben a hosszú távú vállalati siker szempontjából döntő (kritikus) faktorok meghatározásánál kezdődik. Ehhez olyant információkat gyűjtenek, melyek lehetővé teszik, hogy a konkuráló termékek/projektek között sorrendet állítsanak fel, és így egy össztervet fejlesszenek ki a hozzáadott érték növelésére.Ismét csak informatikai értelemben a rangsorolás nem más, mint a nyereségesség/hasznosság hasonlósági skálájának alkalmazása ismert/feltételezett helyzetek megítélésére. A két klasszikus elv szerint: minden mindennel összefügg, ill. minden hasonlít valamilyen mértékben mindenre. Ezen elveket az emberi szakértők heurisztikus folyamatai jól hasznosítják. A mesterséges intelligencia módszerei pedig megkísérlik az embert szimulálni.

Karlöf és Östblom (1994) még 3 további fő aspektusát is kiemelik a Benchmarking-nak: minőség, termelékenység és idő.

A minőségi aspektus jelentősége abban áll, hogy az ügyfelek számára – függetlenül az előállítási költségektől – nagy használati értéket kell biztosítani. A minőség az egyik komponense az ügyfél által is tudatosított érték fogalomnak, s összehasonlítható a termékenként fizetendő árral vagy a szolgáltatással. A termelékenység magában foglalja egy meghatározott mennyiségű termék előállítását minimális erőforrásbevetéssel.Az idő, mint a harmadik nagy komponens indikátorként szolgál, megmutatja a vállalat teljesítő erejét. Éppen az optimális átfutási időben valószínűsíthetők jelenős potenciálokat a termelékenység megjavításánál, ahol a súlypont a folyamaton belüli unproduktív idő kiküszöbölésén van, ami akár az összidő 90%-át is kiteheti (Karlöf/Östblom, 1994).

20.3. A Benchmarking fajtái

Általában intern (belső), extern (külső) és funkcionális Benchmarking típusokat különböztetünk meg (Karlöf és Östblom, 1994).

20.3.1. Belső (intern) Benchmarking

Leibfried/McNair így definiálják az intern Benchmarking fogalmat: „Egy vállalaton ill. társult vállalatokon belüli hasonló tevékenységek és funkciók összehasonlítása összes keretfeltétel egyidejű figyelembe vételével a maximális teljesítmény színvonal meghatározása érdekében.” Egy intern Benchmarking elengedhetetlen feltétele, hogy egy vállalaton belül jelen legyenek azonos vagy összehasonlítható funkciók és folyamatok. A belső Benchmarking gyakran leányvállalati struktúrával rendelkező vállalatoknál kerül alkalmazásra.A belső Benchmarking-projekteknél a cél nem annyira az abszolút (világra szóló) csúcsteljesítmények felállítása, sokkal inkább a funkciók lefolyásának egységesítése a vállalaton belül. Gyakran kötődik ehhez a kérdéses folyamatok megszorítása (Leibfried/McNair, 1993).

20.3.2. Külső (szakmai- és konkurenciát illető) Benchmarking

Karlöf és Östblom a külső Benchmarking-ot úgy definiálják, mint azonos vagy hasonló vállalatok közötti összehasonlítást. Ezek a vállalatok lehetnek direkt konkurensek, ill. konkurensek földrajzilag elkülönült régiókban, vagy egymással baráti viszonyban álló vállalatok, minden esetben azonban ugyanazon üzletágban kell tevékenykedniük(Karlöf/Östblom, 1994).A konkurenciaharcra alapuló Benchmarking olyan döntő módszerekre és termékjegyekre koncentrál, amelyek egy vállalat számára egy direkt konkurenssel szembeni versenyben előnyt jelentenek. Nem egy vállalat kereskedelmi eredményének a statikus vizsgálata a kiindulópont, hanem kérdései közvetlenül a

138

folyamatokra, eljárásokra és szervezetekre vonatkoznak. Cél a saját folyamatok állandó javítása. Ezzel szemben az ágazati Benchmarking tágabb, kevésbé részletezett perspektívával rendelkezik. Itt trendek felismeréséről van szó. Az átmenet a konkurens ill. az ágazati Benchmarking között folyamatos.A külső Benchmarking legnagyobb problémája abban áll, hogy a megfelelő Benchmarking-partnert meg kell győzni arról, hogy az együttműködés mindkét fél számára előnyös. A külső Benchmarking konkuráló vállalatoknál olyan területeken ébreszt igazán érdeklődést, amelyek nem tartoznak a tulajdonképpeni üzleti maghoz, pl.: nyersanyagbeszerzés, igazgatás, kutatás (Karlöf/Östblom).

20.3.3. Funkcionális Benchmarking

Karlöf és Östblom a Benchmarking alábbi formáját „funkcionálisnak” nevezik, mivel itt főleg folyamat- és funkciómegfigyelésekről van szó, függetlenül egy árutól.Funkcionális Benchmarking-projektek a Benchmarking-partner kiválasztásánál elhagyják a közvetlen vállalati környezetet. Az egyéb Benchmarking kategóriáktól eltérően a funkcionális Benchmarking-ot egy intenzív partnerkeresés előzi meg. Olyan partnereket keresnek, akik a saját vállalatéhoz hasonló területeken vagy részterületeken csúcsteljesítményt mutatnak fel (Karlöf/Östblom, 1994). A keresés azon a meggyőződésen alapul, hogy az értékteremtő folyamat az intézmények egy nagy számánál hasonló tulajdonságokat mutat (Leibfried/McNair, 1993).Alapvető problémát képez a funkcionális Benchmarking-nál az abszolút csúcsteljesítmények megtalálása, mivel vállalatok gyakran csak részterületeken a „legjobbak”.

20.4. A Benchmarking módszertana

Minden Benchmarking-projekt elején megtalálható egy átfogó helyzetfelmérés (tényleges helyzet felmérése), aminek a célja, hogy megtalálja azokat a központi problémákat a saját szervezetben, amelyeket a Benchmarking-folyamatba be kell vonni.

Következő lépés a Benchmarking-partner felkutatása. Itt a tervezett projekt fajtája alapján fontos különbségeket lehet megfigyelni: Ha belső Benchmarking-ről van szó, akkor a cél a saját vállalat legjobb gyakorlatának megkeresése. Külső Benchmarking-projekteknél a feladat abban áll, hogy olyan konkurenseket találjanak, akik a kooperálásra hajlandók és ezeket egy ilyen projekt kölcsönös előnyeiről győzzék meg. A funkcionális Benchmarking követeli ebben a szakaszban a legnagyobb ráfordítást, mivel a csúcsteljesítmények iránti keresést csak nagy ráfordítással lehet megrendezni. Az „igazi csúcsteljesítmények” megtalálásához forrásul szolgálhatnak hivatalos statisztikák, szakmai információk, vagy a célszervezet saját kinyilatkoztatásai. Különös gondot kell fordítani a megszerzett információk aktualitására.Harmadik lépcsőként kapcsolódik be az információszerzés. Ez a saját vállalatnál kezdődik, azért hogy átfogó alapot nyújtsanak a Benchmarking-partner számára a szükséges és a kért információkról. A projekt lefolyásának eredményessége szempontjából nem annyira a megszerzett adatok tartalma a lényeges, hanem az, hogy milyen a viszonyuk az elemzés központi problémájához.A tényleges beszerzés intenzív és bizalmon alapuló együttműködést tételez fel a Benchmarking-partnerrel. Az így nyert tapasztalatok kiegészítést nyerhetnek külső, független forrásokból, mint pl. kinyilatkoztatásokból, hivatalos statisztikákból ügyfelek ill. szállítók megkérdezéséből. Karlöf és Östblom szerint az információ beszerzését hat lépésre lehet osztani: Kérdőívek kifejlesztése, amelyek meghatározásokat és magyarázatokat tartalmaznak. Információk gyűjtése és információk összeállítása a saját vállalatról. Információgyűjtés a Benchmarking-partnernél. Információgyűjtés külső forrásokból. A megszerzett adatok dokumentációja. A gyűjtött információk megvizsgálása és hitelesítése, hogy biztosítva legyen az adatok elfogadása és

elismerése a saját és a partnervállalat felelős vezetőinél.

139

Az információgyűjtés technikájaként minden ismert eljárást fel lehet használni. Az előnyöket és hátrányokat egymással szembeállítva gyakran vegyes formák jönnek létre. A kritikus információk esetén előnyben részesítik a személyes interjút. Komplex folyamatok meghatározásával ill. átalakíthatóságával kapcsolatos kérdésekben a csoportmegbeszélések jelentős előnnyel bírnak más technikákkal szemben.(Leibfried/McNair, 1993; Karlöf/Östblom, 1994; Ohinata, 1994). Az információbeszerzés fázisához kapcsolódik az információelemzés fázisa. Ennek a fázisnak a célja a teljesítménybeli hiányosságok feltárása a saját szervezetben. Ehhez a megfelelő anyagot rendszerezik és feldolgozzák. Karlöf és Östblom itt öt lépést határoznak meg: A kapott információk és adatok rendszerezése és összeállítása. Az információk minőségének ellenőrzése. Zavaró- és befolyásoló tényezők figyelembe vétele, amelyek a hasonlóság megítélését behatárolják. A teljesítménybeli hiányosság feltárása, tekintettel a legjobb módszerre a hiányosságot kiváltó részekre

vonatkozóan. Egy Benchmarking-projekt utolsó lépése az információelemzés eredményeinek célirányos

megvalósítása. Itt figyelni kell arra, hogy a potenciálisan elérhető teljesítmény színvonalat és a saját szervezetben elérhető teljesítmény színvonalat egyidejűleg figyelembe kell venni. Ennek a fázisnak a sikere döntően attól függ, hogy milyen az érintettek informáltsága a Benchmarking-projekt tartalmáról és hatásairól.

A megvalósítás fázisait pontosan meg kell tervezni és az egyes lépéseket ellenőrizni kell. Fontos a problémák személyektől való elválasztása, hogy ezáltal a változások elfogadottsága a vállalaton belül növekedjen. Nem az a kérdés, hogy „ki a hibás?”, hanem az, hogy „mi az ami nem megy rendben?”

20.5. Egy sikeres Benchmarking-projekt kritériumai

Azok a tényezők, amelyek egy Benchmarking-projekt sikeres véghezviteléért felelősek lehetnek, nagyon sokfélék. Karlöf és Östblom ezeket „kemény” és „lágy” faktorokra osztják. A kemény sikertényezőkhöz sorolandók: A projekt pontos elhatárolása. A terjedelemre és a határokra figyelni kell, hogy a projekt

célorientáltságát ne veszélyeztessük. Pontos időterv Minőségi norma betartása A költségvetési előírások betartása

A lágy sikertényezőkhöz sorolandók: Az együttműködés jó légköre Pozitív és teljesítményorientált beállítottság Minőségi szemlélet Engagement Kreativitás Vállalkozási etika

Összefoglalva megállapítható, hogy a Benchmarking projektek alapos előkészítése és koncepcionális feldolgozása alapvető követelménynek tekinthetők a siker szempontjából. A sikeres kivitelezéshez hozzájárul a szükségletek és a félelmek figyelembe vétele ugyanúgy, mint a megfelelő Benchmarking-partner kiválasztása.

20.6. Ellenőrző kérdések

Milyen lehetséges alkalmazásai vannak a CBR-nek? Milyen típusai vannak a Benchmarkingnak? Milyen lépésekből áll a Benchmarking projekt?

140

21. Fuzzy-rendszerek

A Fuzzy-rendszerek egyre nagyobb népszerűségnek örvendenek az ipari berkekben a sokoldalú felhasználási lehetőségek miatt. Másrészt az is igaz, hogy a kutatásban a Fuzzy-technika még mindig nem számít szalonképes módszernek. Ennek oka, hogy rengeteg a félreértés a Fuzzy-rendszerek metodikájára vonatkozóan. E félreértések tisztázása elengedhetetlen az alkalmazások széleskörű elterjedésének biztosítása érdekében.

21.1. Bevezetés

Az elmúlt években a Fuzzy-rendszerek alkalmazása az irányítástechnika terén elképesztő sikereket ért el. Japánban több, mint 1500 sikeres alkalmazása létezik -a legismertebbek a Sendai metró és egy modellhelikopter, amit szóbeli parancsokkal lehet irányítani; de a háztartási gépek területén is (mosógépek, borotvák, mikrohullámú sütők, porszívók, ...), a gyógyszerészet terén (vérnyomásmérők,...), és az optikai iparban (fényképezőgép, camcorder,..) használatos a Fuzzy-módszer (12, 13). A tény, hogy a „fuzzy”-t Japánban az 1991-es év legfontosabb szavának választották, már önmagában sok mindent megmagyaráz. Időközben Európában pl. a német ipar is jelentős mértékben felzárkózott (7,17) és ma már saját fejlesztésű fuzzy-produktumokat kínál: pl. az irányítástechnikában a fuzzy-controll egy olcsó és egyszerű alaptechnika. Egyedül Japánban több, mint 2000 szabadalmat nyújtottak be 1992-ben a fuzzy-rendszerek területén. Egy prognózis-tanulmányban 2000-ben már kb. 5 milliárd DM forgalmat jósolnak világszerte a fuzzy rendszerek számára. A fuzzy-rendszerek szakirodalma manapság már roppant széles, mégis szükséges, hogy az alapvető félreértéseket és értelmezési nehézségeket minél szélesebb tömegek előtt tisztázni lehessen, hiszen a fuzzy-módszerek egy hosszú távra érvényes, tudományos alternatívát kínálnak, mely nem csak az irányítástechnika területén alkalmazható, hanem a modellezési szemléletünk kibővítéséhez is hozzájárul.

21.2. A pontatlanság aspektusai

A műszaki- és természettudományok a vizsgált rendszerek jellemzésére általában matematikai modelleket alkalmaznak. Tipikus példák erre olyan egyszerű modellek, amelyek fizikai törvényeken alapulnak (pl. a differenciálegyenletek), ill. bonyolultabb sztochasztikus modellek (pl. Markov-láncok), de vannak olyanok is, amelyek matematikai logikából származnak (pl. az Entity-Relationship-modell az adatbankoknál). A modellezés azért nehéz, mert általában a vizsgált rendszerek matematikai leírásához jelentős mértékű idealizálás szükséges konkrét problémák megoldásánál. A még nem teljesen megértett problémák esetében a modellek gyakran nem teljesek. Figyelembe kell azonban venni, hogy a pontatlanságnak számtalan válfaja létezik.

A fuzzy-rendszer stratégiája nem más, mint a részben speciális hiányzó adatokat, vagyis a egyfajta „ködösséget” , bizonytalanságot a modellben tolerálni képes. A nem egzakt információk céltudatos felhasználása által realizálni lehet a komplexitásredukció előnyét, mely más módszereknél nem feltétlenül adott.

Tehát ez a modellezés a hiány tudatos kezeléséről szól. Itt nem a felfedezés a cél, mint a nagy gyakorisággal előforduló jelenségek valószínűségelméleti alapon történő elemzésénél, hanem egy fajta találékonyságról, mit is lehet kezdeni adott mennyiségű adattal bizonyos problémák esetén.

A túl „durva” modellek természetesen magukban hordozzák annak veszélyét, hogy a valós világ fontos tulajdonságait figyelmen kívül hagyják. Másrészt, hogy mi a jó modell, az nem a beáramló információk pontosságán mérendő, hanem a felhasználás sokrétű tapasztalatain (korrektség, teljesség, adekvátság, hatékonyság, alkalmasság). Ezek után nem meglepő, hogy egy modell, amely a részleges információk szisztematikus rendezése által az érintett rendszer általános jellemzését kevésbé komplex módon oldja meg, bizonyos helyességi kritériumok esetében minden további nélkül jobb lehet, mint egy olyan modell, mely csak a egzakt információk befogadására képes és ezért nehezebben alkalmazható.

141

21.3. Pontatlan információk feldolgozása

Az ember a mindennapi élete során hozzá szokott, a fuzzy-információk (= pontatlan információk) feldolgozásához. A szakácskönyvek receptjeiben gyakran ez áll: „végy egy csipetnyi sót”, senki sem gondol arra, hogy „55 sórészecskét” írjon. Hasonló a helyzet a időjárás jelentésekben (napos idő, délután kisebb záporeső), a börzehírekben (nagy nyereség lehetséges) és az útbaigazításnál (menjen mintegy 500 m-t egy nagy házig). Az ember technikai rendszerekben is szeretné ezt a képességet felhasználni: pl.: robotoknál a bizonytalan útbaigazítás értelmezhetőségét. Ezért szükséges egy olyan formalizmus, ill. egy matematikai modell kidolgozása, mely képes feldolgozni az ilyen pontatlan információkat.

A „ködösség” fogalma már több, mint 100 éve foglalkoztatja a kutatók fantáziáját, ezek közül a matematikus Bertrand Russell (1923) a filozófus Max Black (1937) tüzetesen vizsgálták ezt a témát, de a matematikus Menger is az ötvenes évek végén foglalkozott az ún. „hazy sets”-kel. Az alkalmazott tudományban azonban csak L. Zadeh „fuzzy sets” 1965-ös tanulmánya ébresztett szélesebb érdeklődését. L. Zadeh ekkor már az elektrotechnika professzoraként Berkley-ben egy szabályzástechnikai karriert tudhatott maga mögött, és a pontatlan információk teljes modellezésének kutatásának szentelte magát meggyőződésből.

21.4. Félreértések a Fuzzy rendszerek területén

Néhány alapvető félreértés tisztázása érdekében elengedhetetlen az alábbi kijelentések csokorba gyűjtése: A Fuzzy módszerek nem felületes módszerek. Gyakran asszociálnak a fuzzy szó kapcsán (jelző : 1. puha;

2. szálas, rojtos; 3. kócos; 4. elmosódott; 5. kábult) arra, hogy a Fuzzy-rendszerek matematikája valamiféle felületes dolog. Ez azonban nem igaz, hiszen a Fuzzy-alkalmazások hátterében tiszta matematikai alapok állnak. Sajnos a Fuzzy jelző felesleges hangoztatása, ill. a korábban sok, pontatlanul dolgozó tudós negatív hatása még mindig érződik a terület megítélésekor. Az ipar a Fuzzy nevet tudatosan marketing okokból használja, különösen a japán piacon a Fuzzy-t egyenesen a high-tech-el azonosnak tekintik. Németországban is meghonosodott a Fuzzy rendszer fogalma és már senki sem alkalmazza a 70-es években favorizált „pontatlan, életlen, homályos rendszer” megnevezéseket. Korábban az ipari berkekben is többnyire más nevet használtak (s pl. bizonyos szakkönyvek megíráskor a Fuzzy szó nem volt szívesen látott fogalom még 1987-ben sem). Még a 90-es években is előfordul, hogy az ipar a Fuzzy módszerek helyett olyan szavakat használ, mint pl. adaptív, intelligens, stb.

A Fuzzy „Logic” Controll (FLC) nem használja a matematika többértékű logikai módszereit. A fuzzy logika-fogalma egyrészt szűkebb, matematikai értelemben egy speciális többértékű logikát takar, másrészt tágabb, köznyelvi érelemben mindent, ami a Fuzzy-technikával kapcsolatos. Szemantikailag a Fuzzy kontroll az interpolációs technikákra épül és nem a matematikai értelemben vett Fuzzy-logikára.

A Fuzzy-mennyiségek nem valószínűségi értékek. Tisztán formálisan egy Fuzzy mennyiség nem egy sűrűségfüggvény, mivel a görbe alatti terület nagysága nem kell, hogy „1” legyen. De szemantikailag is jelentős különbségek vannak, mivel a valószínűségek többnyire a véletlent, mint jelenséget modellezik, a Fuzzy mennyiségek azonban erre nem alkalmasak. Léteznek ugyan bizonyos kapcsolatok a szubjektív valószínűségek és Fuzzy-mennyiségek között bizonyos interpretációkban, azonban ezen a területen nagyon kell figyelni a szemantikai kérdésekre is.

A Fuzzy-jellegű szabályozási rendszerek pontos (éles) be- és kimeneti értékekkel rendelkeznek, csak a belső számításoknál alkalmazzák a Fuzzy módszereket. A Fuzzy szó kiválasztásánál a potenciális vevő/felhasználó azzal asszociál, hogy a Fuzzy-rendszer eredménye is pontatlan. Szabályozós rendszerekben természetesen ez nem így van, itt egy pontos (éles) állítójelet generálnak. Döntéstámogató Fuzzy-rendszerekben (mint pl. a probabilisztikus diagnosztikai rendszerekben) lehet ugyan egy pontatlan kimenetről is szó, (sőt ez esetlegesen kívánatos is lehet).

Minden, manapság Fuzzy-módszerrel megoldott ipari probléma megoldható lett volna hagyományos technikákkal is. A Fuzzy-technikák előnye – az ipar szemszögéből nézve – többnyire a költségmegtakarításban, illetőleg a viszonylag egyszerű modellezésben rejlik. Kutatói (egyetemi) körökben a Fuzzy-rendszerek éppen ezért nem voltak népszerűek, mivel ott többnyire optimális, perfekt

142

problémamegoldások voltak az érdekesek. Sőt egyszerűbb eljárások egyáltalán nem kívánatosak (ami odavezet, hogy néha dolgozatokat tudatosan úgy írnak meg, hogy csak egy maroknyi szakember érthesse). A Fuzzy-rendszerek által kiváltott innovációs lökés annak is köszönhető volt, hogy a felhasználók félelmét egyszerű Fuzzy-technikákkal el lehetett venni, ami lehetővé tette, hogy egyre újabb, komplikáltabb feladatokba kezdjen: pl. Siemens technikusok szerint a nedves ruha viselkedését a centrifugálási folyamatban rendkívül nehéz leírni, korrekt módon modellezni. Egyszerű Fuzzy-technikákkal, melyek lehetővé teszik az tapasztalati tudás közvetlen felhasználását, azonban sikerült a centrifugálást jobban vezérelni (egy korrektebb, de komplikáltabb modellel ez biztos, hogy még optimálisabb lehetne, de az ipar már csak olyan, hogy mindig felteszi magának a kérdést: A témára fordított kutatási pénzek kifizetődőek lesznek?).

A Fuzzy-rendszerek területén továbbra is szükség van a kutatásra, az újszerű megoldási technikákra. Manapság sokat dolgoznak azon, hogy bebizonyítsák, miért is funkcionálnak olyan jól az egyszerű Fuzzy-eljárások. Ezek a tudományos bizonyítások rendkívül igényesek lehetnek (pl. egy függvény közelítő leírásának korrektsége, egy közelítő megoldás érvényességi tartománya, egy szuboptimális megoldás minősége). A következő lépés feltehetően: újszerű megoldási technikák felfedezése. Így vezetett máris a Fuzzy-kontrollerek sikerének vizsgálata az új, lokális, interpolációs technikák és bizonyos hatékony közelítési eljárások kifejlesztéséhez.

21.5. Fuzzy-szabályozók

A szabályzástechnika műszaki berendezések kezelésével, ezek automatizálási módszereivel foglalkozik, mint pl. villanymotorok vagy óceán járó gőzhajók. Egy szabályzási feladat abban áll, hogy a műszaki létesítményt úgy vezéreljék, hogy az előirt célt betartsa, vagy elérje. Pl.: a motor tartsa a konstans fordulatszámát, vagy a gőzhajó tartsa az irányt. A feladat megoldásához bizonyos bemenő paramétereket kell megmérni, melyek alapján a műszaki berendezés befolyásolását az állító paraméterek segítségével a cél eléréséhez meg kell határozni. A klasszikus szabályzástechnika egy szabályzó tervezését a műszaki folyamat matematikai modelljére alapozza, amely többnyire differenciálegyenletek formájában van leírva (ipari alkalmazások esetében a modellt még sem használják, csak az abból eredő Tuning-szabályokat).Ezzel ellentétben a fuzzy-szabályozók (fuzzy-controller) egy olyan (szak)ember szabályozási stratégiájának közelítő leírásán alapul, aki az adott folyamatot (legalábbis elméletileg) uralja. Szokás szerint a köznyelvi szóhasználatban megfogalmazott szabályok formájában modellezik a szakember viselkedését: „ha a fordulatszám egy kissé magas csökkentsd kissé a bemenő áramot”. Ilyenféle szabályok átalakítása egy formális modellbe az automatikus szabályzás számára, mint pl. „egy kissé magas” vagy „egy keveset”, fuzzy-mennyiségekkel lehetséges. Ily módon lehetséges egzakt bemenő adatok alapján fuzzy-mennyiségekre és az ezekre vonatkozó speciális operációkra (mint pl. átlag és egyesítés) támaszkodva egy odaillő állítójelet/értéket meghatározni. A legtöbbször a fuzzy-szabályozó csak egy pontatlan leírását adja meg az állítójelnek, fuzzy-mennyiség formájában, melyet először „fuzzy”-talanitani kell, hogy konkrét értéket kapjunk.

Egy fuzzy szabályzó segítségével, egy kombinatorikai teret határoznak meg, mely a bemenő változók minden értékkombinációjához egy megfelelő állítójelértéket rendel, miközben a bemeneti jel és a kimeneti is pontos. A fuzzy mennyiségeket csak belső számításokhoz használják. Ebben az értelemben a fuzzy szabályzót egy fajta tudásbázisú interpolációs technikának tekinthetjük. Be lehet bizonyítani, hogy minden folytonos be- és kimenő függvény tetszés szerinti pontossággal megközelíthető egy fuzzy-szabályzóval, azaz a fuzzy-szabályzók univerzális „approximátorok”.

1975-ben E. H Mamdani leírta az első laboralkalmazását egy fuzzy szabályzónak, ami egy gőzgépet szabályzott. A fuzzy-technikák ipari alkalmazása nagyobb mértékben a 80-as évek végén, 90-es évek elején kezdődött, és a vérnyomásmérőktől a teljesen automata vezérlésű földalatti vasútig terjedt. A kezdeti szkeptikus hozzáállás után Németországban is meggyőződött a legtöbb vezető szabályzástechnikával foglalkozó szakember a fuzzy-technika hasznosságáról (11). Jelenleg a fuzzy-controlt a szabályzás és vezérléstechnikai körökben többnyire az egyszerű feladatoknál alkalmazzák. Az automatizálástechnika magasabb szintjén, azaz az ellenőrzési és folyamatirányítási szinten

143

(koordináció, tervezés, optimalizálás) nő a szükséges és rendelkezésre is álló információk pontatlansága; ezen kívül inkább heurisztikus, mint sem analitikus tudás áll rendelkezésre. Ezért a fuzzy-technikák alkalmazása az automatizálástechnika magasabb, információfeldolgozó szintjén a jövőben még értékesebb is lehet majd.

21.6. Fuzzy és a rokon módszertanok kapcsolata

A fuzzy rendszereket manapság sikeresen alkalmazzák különféle ipari rendszerekben. A ma legfontosabb alkalmazásokban a fuzzy-controll egyre gyakrabban a neuronális hálózatokkal összekapcsolódva ún. hibrid rendszerekben, valamint a fuzzy-szakértői rendszerek formájában jelentkezik. További alkalmazási területek: pl. Fuzzy Clustering, Fuzzy-Pattern-Classifikacion and Recognition, Fuzzy-Image-Processing, Fuzzy-Computer-Vision, Fuzzy adatbázis rendszerek, Fuzzy adatelemzés és Fuzzy Decision Support (döntéstámogató) rendszer.

21.6.1. Neuronális fuzzy-rendszerek

Egy fuzzy-rendszer kifejlesztése előtt felmerül a probléma, hogyan lehet a fuzzy mennyiségeket és a fuzzy-szabályokat megfelelő formába önteni. Normális esetben a fuzzy rendszer nem rögtön mutatja a kívánt teljesítményt, hiszen paramétereit be kell állítani még. Erre a „tuningolásra” azonban még nem léteznek előirt szabályok és elvek, így a folyamat kezelése tisztán a találékonyságon múlik. Ezen a ponton kapcsolódnak be a neuronális fuzzy-rendszerek. Kihasználva a neuronális hálózatok tanulóképességét a fuzzy-rendszert a feladathoz illesztik, illetőleg példák alapján elkészítik. A két módszer kapcsolati formája alapján beszélünk kooperatív és hibrid modellekről. Az előbbiek egy neuronális hálózatot használnak, függetlenül egy fuzzy-rendszertől, hogy ennek a paramétereit meghatározzák. A fuzzy-rendszert később a neuronális hálózat nélkül is lehet használni, üzemeltetni. A hibrid neuronális fuzzy-modellek /9/ ezzel szemben egy egységes rendszert képeznek, mely úgy neuronális hálózatként, mint fuzzy-rendszerként is értelmezhető.

21.6.2. Fuzzy-szakértőrendszerek

Mivel a tudásbázisú módszerekkel gyakran pontatlan szakértői adatokat kell feldolgozni, automatikusan merül fel a fuzzy-rendszerekkel való együttműködés gondolata. Például ilyen terület: a PROLOG rendszerekből ismert szabály-, tény- és következtetési mechanizmus-koncepciók elfuzzy-sítása (fuzzy-PROLOG). Más, sokat ígérő ötletek, mint pl. a „probabilisztikus, kauzális hálózatokat” /8/ nem a szimbolikus, hanem a tiszta numerikus tudásreprezentáció módszerei felé orientálódnak. Ez akkor nagy segítség, amikor a vizsgált univerzum elemei véges számú jellemzője véges sok értéktartományokkal rendelkezik és ezen jellemzők között függőségek állnak fenn, melyek minőségileg egy irányított aciklikus gráffal modellezhetők. Ebben a gráfban az egyes jellemzők, mint csomók értelmezhetők és a létező direkt-kauzális kapcsolatok, mint élek jelennek meg. A bizonytalan szakértői tudás kvantifikálására általában a probabilisztikus kauzális hálózatok esetében feltételes valószínűségeloszlásokat alkalmaznak. Analóg módon alkalmazásra kerülhet azonban a lehetőségeloszlás is (possibilisztikus kauzális hálózatok). A lehetőségeloszlások akkor képeznek alternatívát, ha az aktuális tudás nemcsak bizonytalan, hanem pontatlan is.

Az egyik központi, de egyszersmind legkevésbé megoldott problémát -valós problémák modellezés esetén- a az erőforrások korlátozottsága jelenti, azaz hogyan juthatunk közelítő eljárásokkal rövid idő alatt, korlátozott következtetési képességekkel és hiányos információk mellett használható megoldásokhoz. Az ilyen kérdésfeltevés mellett nyilvánvaló, hogy erre nagyon jól használhatók lesznek a fuzzy-módszerek. Különösen széleskörű figyelmet érdemel a Berkeleyben, néhány éve életre hívott „Soft Computing” kezdeményezés, melyben fuzzy-technikákat, a Neural Computing módszereit, az evolúciós algoritmusokat, valamint néhány probabilisztikus eljárást kombinálnak sikeresen.

144

21.7. Ellenőrző kérdések

Lényeges-e a pontos információ? Hogyan oszlathatóak el a Fuzzy-val kapcsolatos félreértések?

145

22. Esettanulmány: Automata sebességváltó

Az 1995 januárja óta a sorozatgyártásban lévő Volkswagen automata sebességváltó AG4 a kapcsolási viselkedésével minden vezetőhöz igazodni tud. Az előző modell vezetési komfortjához képest lényegesen javítottak rajta (ott csak az ECO és a Sport között választhatott a vezető). Ennél az adaptív hajtóműnél az volt az alapötlet, hogy minden vezetőhöz másodpercenként 12-szer hozzárendelnek egy sportossági tényezőt 0 és 1 között, mely a pedálhelyzet, pedálsebesség, a pedálhelyzetváltozások száma és az előzőkből kiszámított „Sportfaktor” adataiból lesz képezve. Ezzel a módszerrel megkülönböztethetők: a nyugodt, a normális, a sportos és az ideges vezetők (az utóbbiak a gázpedállal játszanak, ezeket kompenzálják). A sportfaktortól függően dől el a sebességfokozat interpoláció útján a Sportos és az ECO fokozat között. Mivel ennek megvalósításához csak 7 fuzzy-szabályt alkalmaztak, az optimalizált program így a Digimaton kevesebb mint 1 kByte-ot igényel. A fuzzy jellegű hozzárendelés tehát a gázpedál állása, mozgási sebessége, a fékezések (motorféket is beleértve) száma és az előző időperiódus sportfaktora alapján egy új sportfaktor határoz meg, amelyhez közvetlen hozzá vannak rendelve a sebességfokozatok kapcsolásához irányadó küszöbértékek, s legvégül maga a sebességfokozat.

Az egyszerű hozzárendelés egyértelműen mutatja, hogy a két bemeneti érték függvényében milyen lépcsőszerű bonyolult felület alapján kerül a kimeneti érték meghatározásra (jelen esetben egy fordulatszám szabályozás példája kapcsán).

146

23. Gépi tanulás

Manapság már egy sor gépi tanulási eljárás áll rendelkezésünkre a legkülönbözőbb tanulási feladatokhoz. Thomas Hoppe cikke nyomán ebben a fejezetben összefoglalásra kerülnek a gépi tanulás módszerei. A leírtak alapján lehetővé válik bizonyos mértékben annak eldöntése, hogy adott tanulási problémához melyik tanulási mód alkalmazható.

23.1. Bevezetés

A gépi tanulás megvalósítása a mesterséges intelligencia kutatás egyik legrégibb célja, amely Alan Turing korai munkáin át Gold és Blum&Blum munkáiig nyomon követhető. A gépi tanulás a mesterséges intelligencia kutatás önálló területeként különíthető el, mely a szimbolikus mesterséges intelligenciák induktív módszereire és a logikai programozásra támaszkodva a mesterséges neurális hálózatokhoz és a genetikai algoritmusokhoz tanulási eljárásokat fejleszt és vizsgál. A gépi tanulást – Simon nyomán szabadon – úgy lehet jellemezni, hogy: a tanulás egy rendszerben olyan változásokat hív életre, amelyek adaptívak, vagyis azonos problémák a következő megoldási kísérletben már helyesebben kezelhetők.Míg a 60-as, 70-es években kifejlesztett és elemezett első egyszerű gépi tanulási módszerek a kognícióelmélet, az ismeretelmélet és a rekurzióelmélet szempontjait figyelembe véve kerültek kidolgozásra, addig az elmúlt évtizedekben történt fejlődés a szakértői rendszerekre, illetőleg tudásbázisú rendszerekre támaszkodva kísérelte meg a gépi ismeretszerzés problematikájának megoldását. A gépi tanulás manapság már nem csak a tudományos műhelyek keretein belül érdekes, hanem ezt a technikát a reálszférában is sikeresen alkalmazzák. A gépi tanulás nem csak a tudásbázisú rendszerek és az ismeretszerzés részleges automatizálása érdekében kerül alkalmazásra. A gépi tanulás módszereit gyakran a hagyományos statisztikai elemzések támogatásánál az ellenőrzéshez, az adatok összefoglalásához, az adatokban rejlő, eddig ismeretlen összefüggések leleplezéséhez (vö. „data mining”), a döntés támogató eszközök kifejlesztéséhez, vagy a software-fejlesztésben alkalmazták. A tanulási folyamat nagy segítséget jelent paraméterek beállításánál, csoportosításoknál, osztályozásoknál, statisztikailag szignifikáns szabályszerűségek feltárásánál.Egy tanulási módszer kiválasztása előtt szükséges mind a probléma, mind a rendelkezésre álló adatok elemzése. A gépi tanulás folyamatában négy komponens figyelhető meg: az input adatok a tanulási folyamat, az eredmények és a teszt.

23.2. Input adatok

Az input adatok – melyeket gyakran példaként, ill. esetként is neveznek (vö. CBR) – a gépi tanulás alapját jelentik. Egy tanulási módszer hasznossága/eredményessége a feldolgozandó adatok minőségén és mennyiségén múlik. Néhány alkalmazás esetében az input adatok „véges adatbank” formájában előre megadhatók, míg más alkalmazásokban az adatok „korlátlan adatáram” formájában állnak rendelkezésre (mint például a termelési folyamatokban a szenzorokkal végzett adatgyűjtés esetén). Amennyiben a megadott adatok száma kevés, akkor általában egy ún. nem inkrementális tanulási eljárással hatékonyabbén lehet ezeket feldolgozni, hiszen egy-egy újraszámolás ez esetben gyorsabban lefut, mint egy ún. inkrementális eljárással, ahol közbülső eredményeket is tárolni, ill. módosítani. Ezzel szemben a példák nagy száma, ill. folytonos adatáramlás esetén gyakran csak az inkrementális eljárások alkalmazása lehetséges.

23.2.1. Az adatok osztályozottsága

A „supervised learning” tanulási módjának feltétele, hogy az input adatok a felhasználó vagy más eljárás által előosztályozottak legyenek.

147

Az „unsupervised learning” eljárása ezzel szemben engedélyezi a nem osztályozott példák feldolgozását, ide tartozik például a „conceptual clustering” eljárása és a fogalomalkotás („concept formation”). Egy előosztályozott adatokkal dolgozó tanulási eljárást az osztályozottság alapján három eljárástípusra lehet felbontani: csak pozitív példákkal, pozitív és negatív példákkal vagy adott pozitív és levezetett negatív példákkal dolgozó eljárások.

A tanulási eljárásokat megkülönböztethetők aszerint is, hogy diszkrét, vagy folytonos osztályokkal dolgoznak-e.

Itt kell megjegyezni, hogy az esetek kiválasztása és alkalmazók általi definiálása nem más, mint egy hipotézis, mely szerint a megadott (valós és mesterséges) példák alapján egy ezen adatokat magyarázni képes összefüggésrendszer az ismertnek feltételezett kauzális (ok-okozati) törvényszerűségeknek megfelelni. A mesterséges (saját hatáskörben levezetett) esetek szerepe nem más, mint a valós példákból hiányzó, ám nagy valószínűséggel létező szcenáriók felkínálása a tanulás befolyásolása céljából. Az esetek egymástól való különbözőségének mértéke tehát fontos eszköz a tanulási folyamat vezérlésében.

Világosan kell látni, hogy a példák előzetes osztályozása egy olyan restrikciót jelent, amely az előzetesen nem klasszifikált példákkal dolgozó eljárásoknál nem áll rendelkezésre. Az előzetes osztályozás révén a felhasználó által a tanulási eljárás könnyen befolyásolható, de a tapasztalatok szerint ezen eljárások kevésbé válnak be ismeretlen szabályszerűségek felfedezésében. Ezért az „unsupervised learning” eljárást gyakrabban részesítik előnyben.

23.2.2. Az inputok további jellemzői

Az input adatok fontos tulajdonsága, mennyire tiszta képet adnak a megtanulandó problémáról. A megtanulandó kép tisztaságának többféle jellemzője ismert: zajosság konzisztencia teljesség magyarázóképesség tényszerűség-tendenciózusság nominális jelleg-számszerűség

A zajosság fogalma arra utal, hogy a megadott adatok között milyen mértékben van jelen szisztematikus, ill. véletlenszerű hiba, hibás előzetes klasszifikálás.A konzisztencia fogalma kapcsán vizsgálandó, hogy az azonos attribútumok minden esetben azonos jelentésűek-e, ill. az attribútumok egymás közötti viszonyában megfigyelhető-e ellentmondásosság.A teljesség fogalma hátterében az húzódik meg, képes-e egy eljárás adott adatstruktúra esetén a hiányzó adatokat tolerálni és ezek nélkül is eredményre jutni .

A magyarázóképesség esetén beszélhetünk teljes, részleges és indirekt magyarázóerőről, vagyis arról, hogy adott jelenségek alapján mennyiben lehet más jelenségekre következtetni. Fontos, hogy a kevésbé jelentős jelenségek adatait egy tanulási folyamat tolerálni tudja, vagyis képes legyen ezek hatását a modellbe integrálva elnyomni.Az adatok rendelkezésre állhatnak tényszerűen, mint mérési megfigyelési eredmény, ill. mint tendencia, azaz egyfajta törvényszerűség (pl. csökkenő hozadék elve). A tényszerű adatok feldolgozása a tendenciákkal szemben magától értetődő. A tendenciák feldolgozása többek között lehetséges mesterséges adatsorok megadásán keresztül, ill. a tanulás helyességét megítélő kritériumrendszer bővítésével, mely esetben pl. a tanulási eredmény ténytől való esetenkénti egzakt eltérései (távolságai) helyett kisebb/nagyobb viszonyok helyességét lehet vizsgálni.

148

Az adatok számszerűsége, ill. az alkalmazott mérési skálák milyensége és keveredése azért fontos, mert a különböző mérési skálákon megadott (nominális, metrikus) adatokra más-más műveleteket lehet alkalmazni a tanulás eredményét megtestesítő összefüggésrendszer felépítésekor, ill. egyszerre kellene tudni logikai és numerikus műveletekkel, valós, tört és egész számokkal, egyértékű és többértékű attribútumokkal manipulálni.

23.3. A tanulási módszer

A tanulási módszerek fontos tulajdonságai: a reprezentációs nyelv milyensége a háttérismeretek alkalmazhatósága, a keresési stratégia és a helyesség fokozatai leíró kritériumrendszer.

Az adat- és modellvezérelt módszerek közti különbségtételt ma már úm. klasszikusnak lehet nevezni. Míg az adatvezérelt módszerek egy általános, a szakterülettől független algoritmuson alapulnak, addig a modellvezérelt módszer esetén egy explicit modellt előre meg kell adni.

Másrészt fontos különbség az inkrementalitás foka: ha egy módszer minden rendelkezésre álló adatot fel kell, hogy dolgozzon, akkor inkrementális módszernek nevezzük, szemben a „falatozgató” eljárásokkal, melyek a megtanulandó példákat külön-külön értékelik és ennek megfelelően módosítgatják a tanulás eredményeként létrejövő összefüggésrendszert (input-output hozzárendelési sémát). Az inkrementalitás fogalmához tartozik az adatok feldolgozási sorrendjének tanulási eredményre gyakorolt hatása is. Míg a nem inkrementális eljárásoknál az adatok sorrendje lényegtelen, addig ez az inkrementális eljárások esetén nem garantálható.

A tanulási folyamat két alapvető módja a folyamatosan tanuló (kumulatív) és a nem kumulatív technika. A kumulatív eljárások (zömmel nem inkrementális eljárások) az eseteket monoton módon akkumulálják az eredménybe. Az eljárások többségét kitevő nem kumulatív eljárások mintegy véletlenszerűen vonják be az egyes eseteket a tanulási folyamatba.

A tanulási eljárások további lényeges jellemzője, hogy a felhasználó mennyiben tud/képes beavatkozni a tanulási folyamatba. Az autonóm eljárásoknál a megadott keretek között a tanulási folyamat automatikusan lefut, míg más esetekben az ún. interaktív eljárásoknál a lefutás közben a felhasználónak különféle kiegészítő információkat kell a rendszer rendelkezésére bocsátania.

23.3.1. Reprezentációs nyelv

Az inputadatok, a tanulás eredménye és a háttérismereteket ábrázolása/reprezentálása a feldolgozáshoz elengedhetetlen. Elméletileg az inputadatokat lehet egy, a tanulási eredménytől eltérő, nyelven reprezentálni. Jól lehet ennek a különbségtételnek nem lenne szabad hatással lenni a tanulási folyamatra, ennek ellenére gyakran egyszerűbbnek tűnik, ha az inputadatokat és a tanulási eredményt, egy és ugyanazon a nyelven reprezentáljuk. A különböző nyelvek az információk reprezentálására különböző mértékben felelnek meg. A megfelelő tanulási módszer kiválasztását nagy mértékben befolyásolja a módszer által alkalmazott reprezentációs nyelv. Ugyan lehetséges egyes tanulási problémákat egy másik reprezentációs nyelvre átalakítani, mégis a fordítás jelentős időráfordítást igényel, a transzformáció gyakran nem tetszés szerint történik, olykor csak egy olyan felhasználó képes a transzformációra, aki jártas a tanulási módszerben csakúgy

mint a felhasználásban.

A gépi tanulási módszerek által alkalmazott reprezentációs nyelveket az alábbiak szerint lehet megkülönböztetni:

149

Tulajdonság vektorok: itt a példákat és a tanulási eredményt egy előre rögzített struktúrájú vektor reprezentálja. Ezt a reprezentációs formát zömmel a mesterséges neuronális hálózatok és a „genetikai algoritmusok” esetében használják fel.

Attribútum/érték-nyelvek: itt a példákat és a tanulási eredményt egy vektor, vagy az attribútum-értékpárok egy halmaza reprezentálja. Ez az ábrázolási mód lehetővé teszi táblázatos adatok egyszerű átvételét. A magasabb szintű reprezentációs nyelvek (pl. Datalog) ismertetésétől itt most eltekintünk.

Mindezek alapján látható, hogy a reprezentációs nyelv a tanulási módszerek jellemzéséhez további kritériumként szolgálhat. Mialatt a legtöbb tanulási módszer statikus reprezentációs nyelvvel dolgozik, addig néhány módszer dinamikus fogalomkészlettel operál: pl. sok tanulási módszer egy előre rögzített fogalomcsoporttal dolgozik, míg más módszerek – mint pl. „konstruktív indukció” és az „induktív, logikai programozás” – a felhasznált fogalomcsoportokat dinamikusan bővíteni tudják a rendszer által generált fogalmakkal. A bővítés és a változtatás problematikája eddig a gépi tanuláson belül csak részlegesen megoldott terület, mely a szaknyelvben „new term problem” kifejezésként ismert .

23.3.2. Háttérismeretek

Az adat- és modellvezérelt módszerek közötti különbséggel közeli rokonságot mutat az, hogy egy tanulási módszerben fel lehet-e használni háttér ismereteket, vagy nem. A háttérismeretek pl. az alábbiak szerint lehet megkülönböztetni: az attribútumok értékeire jellemző tulajdonságok (pl. nominális, numerikus skálák tulajdonságai), ill. az

értéktartományok struktúrája (pl. rendezetlen és rendezett) adatok, attribútumok közti függőségek.

23.3.3. Keresési stratégia

A tanulás egy fajta keresésként fogható fel egy absztrakt térben. Ebből az állításból kiindulva sok tanulási problémát keresési problémaként lehet kezelni. Így nem meglepő az sem, hogy a gépi tanulásban a kidolgozott keresési stratégiák teljes skálája fellelhető: a „top-down” és „bottom-up” mellett „hill-climbing”, „A*” és „simulated annealing” stratégiák is ismertek, hogy csak néhány példát említsünk.Ugyan a használat szempontjából mindegynek kellene lennie, hogy a tanulási eredményt milyen stratégiával érték el, azonban a megcélzott tanulási eredmény mégis állít bizonyos követelményeket a keresési térrel szemben. Például egyes stratégiákat lehet, míg másokat nem lehet végtelen keresési tér esetén alkalmazni. Másrészt bizonyos tanulási eredmények csak bizonyos stratégiákkal garantálhatóak, mivel egyes stratégiáknál feltételezhető (tapasztalatilag igazolt), hogy egy komplex keresési tér lokális optimumaiban megrekedhetnek, ill. „zsákutcákból” (túlspecializált, de tetszőlegesen tovább transzformálható állapotokból) nem képesek kiszabadulni.

23.3.4. A tanulás helyességét mérő kritériumrendszer (értékelő függvény)

A gépi tanulás különböző értékelő függvényekből állhat: pl. logikai (pl. feltételek teljesülése), statisztikai (pl. relatív gyakoriság), valószínűségi (pl. feltételes valószínűség), információelméleti (pl. információtartalom), kísérleti pszichológiai (pl. „category untility”, hasznosság), hogy csak néhányat említsünk.Az értékelő függvények mibenléte mellett ezek változtathatósága is nagy mértékben meghatározza a tanulási módszerek alkalmazhatóságát. Az előre rögzített értékelő függvények nagyban meghatározzák a tanulási eljárás hatékonyságát, alkalmazási területeit. A paraméteres értékelő függvények ugyan szerkezetileg kötöttek, mégis paramétereik lehetővé tesznek bizonyos mértékű mozgást, alkalmazkodást.A változtatható értékelési függvények esetén ugyan az alkalmazkodóképesség magas, azonban nem garantálható, hogy a tanulási eljárás egyes változtatások után színvonalasabb eredményeket hoz-e. Vagyis nem tudható, hogy a számtalan alternatívából, mely tekinthető optimálisnak.

150

23.4. Tanulási eredmények – Teszt

A befogadó szemszögéből a tanulási eljárások a kitűzött célok alapján lényeges különbözhetnek. Így léteznek olyan eljárások, melyek egy probléma durva megközelítésére alkalmasak, míg mások az optimalizálást is lehetővé teszik. Egy tanulási eljárás alkalmazhatóságának vizsgálatakor a következő tanulási eredménytípusokkal lehet számolni: Paraméter: Néhány eljárás megtanulja – mint pl. a mesterséges neuronális hálózatok – a paraméterek

beállítását. Függvények: Az eljárások ezen fajtái megtanulják a numerikus tulajdonságok közötti funkcionális

kapcsolatot. „Intencionális koncepcióleírás” (vö. „concept learning”): az eredmény az input adatok osztályának egy

fajta csoportosítása, amelyet gyakran – de nem szükségszerűen – klasszifikáláshoz alkalmaznak. Koncepcióhierarchia: ezen eljárás az előző kategóriánál említett csoportosítások hierarchikusan

összerendezett sokaságából áll (vö. Cluster-analízis). Döntési fa: a koncepcióhierarchia egyik hatékony ábrázolási formája, melyet könnyen pl.

szabályrendszerré transzformálható. Szabály: a döntési fa eleme; a felhasználók ezért által könnyebben értelmezhető, mint maga a döntési fa. Szabályrendszerek: egyedi szabályokból a redundancia elkerülését lehetővé tevő, ill. az

áttekinthetőséget segítő ábrázolási mód.

A tanulás eredményei megkülönböztethetők azáltal is, hogy kinek készülnek. Azon eredményeknek, melyek a szakértői munkát kell, hogy támogassák jól értelmezhetőknek kell lenniük. Ezzel szemben minden olyan eredmény, amelyet emberi szem nem kell, hogy lásson tetszőleges, de hatékony struktúrákat vehet fel (pl. neuronális hálózatok, szerkezeti modell vs. magatartás modell).Egy további kritérium a tanulási módszereknél az eredmények korrektségi foka. Amennyiben egy tanulási folyamattól tendenciaszerű eredményeket várunk el (pl. sarokszámok), akkor gyakran elegendő egy kevésbé precíz eredményt szállító módszer is. Egy logikai programozási feladat esetén ellenben az alkalmazott eljárásnak logikailag korrekt eredményeket kell szolgáltatni.

A tanulási eredmények célja kettős: egyrészt az esetek osztályai közötti különböző ismertetőjegyek kidolgozása, másrészt az esetek közti hasonlóságok megtalálása.

Ennek megfelelően megkülönböztethetők diszkrimináló, illetve hasonlóság-bázisú eljárások.

További tulajdonságként említendő: a tanulási eredmények átfedettségi foka, vagyis az, hogy mennyire tekinthető véglegesnek egy-egy hozzárendelés. Amennyiben a tanulási eredmény lehetséges hozzárendelések (összefüggések, függvények) halmazaként fogható fel, úgy különbséget kell tenni: egymást kizárva erősítő ill. egymást átfedve gyengítő eredmények között.

23.5. Ellenőrző kérdések

Melyek a gépi tanulás komponensei? Mi jellemzi a komponenseket?

151

24. JOKER

Az INFOKER által forgalmazott és Dobó Andor matematikus (hasonlóságok hasonlósága) elméletére támaszkodó szoftver (JOKER) lehetővé teszi egy objektum-attribútum mátrix rekonstruálását, amennyiben legalább egy sor és egy oszlop hiánytalanul kitöltésre kerül. Ezen, első látásra talán elvont matematikai probléma gyakorlati jelentőségét az alábbi példa segítségével lehet megvilágítani.

Legyenek adva autók, mint objektumok (pl. Ford Escort, VW Golf, stb.) és minden autó esetén ezek számszerűsíthető műszaki jellemzői, mint attribútumok (pl. hengerek száma, végsebesség, fogyasztás, ajtók száma, ár, stb.). Egy új autótípus piacra dobása előtt felvetődik a gyakorlatias kérdés: Mennyiért lehet eladni reálisan egy adott műszaki paraméterekkel jellemezhető konstrukciót, ha figyelembe vesszük a piacon már ismert, hasonló jellegű autókat?

A JOKER program segítségével lehetőség van egy fajta árbecslésre, vagyis az ár levezetésére a többi, ismert attribútum alapján. Ehhez előzetesen néhány rendszerparamétert be kell állítani, melyek közül – az ok-okozatiság visszatükrözése miatt – kiemelendők az attribútum típusok (maximalizálandó, minimalizálandó, optimalizálandó, stb.). Ez a beállítás, mindaddig, míg csak egyetlen hiányos attribútumot kell a többi alapján értelmezni (pl. ár), megadja, hogyan kell, hogy függjön az ár az egyes magyarázó tényezőktől (pl. a fogyasztás minimalizálandó).

Ha az autókat adott esetben táblákra/parcellákra cseréljük le, ill. az autót jellemző attribútumok helyére a terméseredményt és ennek befolyásoló tényezőit helyettesítjük, akkor azonnal világossá válik, hogy a program segítségével egy egyszerűen kezelhető, terméseredmény-előrejelző, tervező modell van a kezünkben.

A kétdimenziós objektum attribútum adatstruktúra tetszőleges problémák megoldására teszi képessé a programot. Korlátozó tényezőként figyelembe kell venni, hogy nem adhatók meg tetszőleges attribútum kapcsolatok (pl. Liebig-féle függvénykapcsolat). Ezen kívül nem értelmezhető a tanulás folyamata, hiszen a minden adatával megadott esetekre nem készül kontroll jellegű becslés. S mivel a becslő függvény sem nyerhető ki a rendszerből, így ez utólag kézi vezérléssel sem végezhető el. A megoldást úgy kell elképzelni, hogy egy fixen előírt algoritmust a megadott mátrixadatokkal magunk paraméterezzük fel.

Az eljárás matematikai hátterét, ill. a szakértői vélemények kompromisszumos rangsorának kidolgozását, mint második súlypontot e helyen nem tárgyaljuk.

152

25. Generátormodell

A generátormodell egy kombinatorikai alapú, minden eddig felemlített eljárással némileg rokonságot mutató automatikus modellezést lehetővé tévő (hibrid) eljáráscsalád fedőneve (Pitlik, 1990-1996). Az eljáráscsalád központi kérdése: Hogyan lehet ismert esetek alapján eddig ki nem próbált szituációk következményeit nagy pontossággal, automatizálható keresési elvekre támaszkodva levezetni. Az eljárás a több évtizeddel ezelőtt elvetett General Problem Solver (általános problémamegoldó eljárás) gondolatát próbálja új élettel megtölteni.

Az eljáráscsaládba több, konkrét algoritmus tartozik: szabálygenerátor, függvénygenerátor(önmagában is számtalan altípussal), mintázatgenerátor (önmagában is számtalan altípussal), jövőgenerátor (önmagában is számtalan altípussal), SAM (önmagában is számtalan altípussal).

Minden algortimus közös jellemzője, hogy objektum-attribútum adatbázisra támaszkodik, melyet a felhasználó szabadon definiálhat. Ebben az adatbázisban (esetgyűjteményben) nem csak tényszerű megfigyelések, hanem hipotézis jellegű adatsorok is helyet kaphatnak. Így válik lehetővé tendenciák, összefüggésformák előírása egy bonyolult kapcsolati rendszerben. Az adatbázisban tetszőleges skálán ábrázolt adatok is megadhatók, ezek minden előnyével és hátrányával együtt.

Az adatbázis jellege mellett további közös vonás, hogy szükség van egy, a lehetséges megoldásokat jellemző kombinatorikai térre, vagyis arra, hogy a felhasználó meg tudja mondani, milyen függvényformákat tart lehetségesnek, mint megoldás. Itt kell elmondani, hogy a megoldások (modellek, függvények, összefüggések) matematikai értelemben nem mások, mint szintaktikailag helyesen felépített művelet-attribútum(változó) láncok. A modellezés alapvetően nem más, mint egy fajta stratégia arra vonatkozóan, hogyan lehet viszonylag kevés lépésből adott adatmennyiséghez jól illeszkedő függvénykapcsolatot találni. Tesszük mindezt annak reményében, hogy ha egy összefüggés bizonyos (nagy számú) esetet már jól meg tud magyarázni, akkor miért ne tudná az eddig ismeretlen következményű szituációkat is hasonló helyességgel kezelni.

A harmadik közös vonása a generátormodell egyedi programjainak a célfüggvény, vagy más néven a potenciális függvények rangsorát megadni képes kritériumrendszer (R2, rangkorreláció, kontingenciakoefficiens, komplex kritériumok). A céltalanság tételénekértelmében egy olyan kritérium rendszer feltehetően nem létezik, amely képes egy tetszőleges probléma esetén azt a függvényt, mint legjobbat kiválasztani, amely a jövőben is a legjobb lesz (becslési helyesség átvihetősége). Az egyedüliként tesztelhető múltra vonatkozó helyesség ugyanis csak közvetve jellemzi a jövőbeli helyességet (pl. a túltanulás jelensége miatt). Itt kell megemlíteni azt is, hogy egy adott kérdést perspektivikusan megválaszolni képes összefüggés mellett létrehozható ennek kontrollja, vagyis az egyes becslések helyességét firtató összefüggés, ill. egy harmadik kategória is, mely nem más, mint egy olyan szelektáló rendszer, mely nagy valószínűséggel képes pl. relatíve gyenge múltbeli eredményekkel jellemzett összefüggések esetén a relatíve magas jövőbeli helyességű függvényeket kiszűrni.Utolsó közös jellemzőként pedig a keresési stratégiát kell említeni. A keresési stratégia lehet teljesen véletlenszerű (monte carlo jellegű), ill. bonyolult optimalizáló jellegű (mely véges lépésben képes a legjobb típust/paraméterhalmazt) megtalálni.

Kiemelendő, hogy a generátormodell prototípusai alapvetően paramétermentes összefüggéseket keresnek, ill. a paraméterek helyén egy-egy képzeletbeli egyes áll.Ezen kívül fontos az is, hogy a kauzalitás mértékét úgy a megtanulandó eseteken, mint a kritériumrendszer keresztül befolyásolni lehet, de adott a teljesen restrikcióktól mentes keresés lehetősége is.

153

III. VÁLLALATI ALKALMAZÁSOK (DÖNTÉSTÁMOGATÁS)

26. Management Information Systems

26.1. Executive Information Systems (EIS)

26.1.1. Elmélet

Bevezetés

A Management Information Systems (MIS, menedzsment információs rendszerek, azaz MIR) célja: a vezetői munka támogatása. A felső, ill. a középszintű vezetés feladatai a döntés-előkészítés fogalmához kötődnek, s évtizedek óta változatlan formában érvényesek. Döntési és egyben menedzsmentfunkciók: célok meghatározása, tervezés, döntéshozatal, végrehajtási utasítások kidolgozása, ellenőrzés.

Lényeges különbség a stratégiai és az operatív szemlélet között a kezelendő időtáv relatív hosszában és a döntéssel érintett folyamatok összetettségében van. Míg az operatív döntéseknél viszonylag rövid időtávra szóló és „kevésbé” összetett rendszereket érintő intézkedéseket kell meghozni, addig a menedzsment funkciók kapcsán hosszabb időintervallumra vonatkozó, komplexebb folyamatokat érintő döntések kidolgozása a feladat.

Az MIS fogalmának megszületése óta eltelt több, mint három évtizedben a következő jelentős piaci és technikai változások következtek be a világgazdaság folyamatos fejlődését követő vállalkozások szempontjából egyrészt: a termékek életciklusa rövidült, a verseny élesedett, a piacok globálissá válása erősödött, az erőforrások mobilitása nőtt, monopolizálhatósága csökkent, a problémák komplexitása fokozódott,

másrészt: a lokális számítógép-kapacitások nőttek, a technikai berendezések árai csökkentek, a hálózatok kialakítási lehetőségei bővültek, az ember-számítógép kapcsolat egyre egyszerűbbé vált, egyre nagyobb számban jelentek meg elektronikus adatbázisok az informatikusok létszáma, képzettsége növekedett.

Következésképpen az eddigi munka- és tőkeorientált gazdálkodással szemben az információ, az ismeret vette át a nyereségképzés folyamatában a legfontosabb helyet. Ma már teljesen nyilvánvalóan nem a nagy tőke- és termékmozgások hozzák a legnagyobb jövedelmet, hanem a know-how, az új, az eddig ismeretlen kapcsolati formák, törvényszerűségek, melyek felismerése lehetetlen az ismeretek növelése nélkül. Az ismeretek bővülése pedig nem más, mint a valóságot leíró adatok (észlelések) rendszerezése.

154

Az ember által felismert, megérzett törvényszerűségek bonyolultságának növekedése elsődlegesen az emberi intuícióban, s esetlegesen az emberek által kifejlesztett, formalizált (matematikai, grafikus) modellekben ölt testet. Ezért MIS egyik feladata az emberi intuíció, az emberi asszociációs folyamatok serkentése.

MIS vs. EISA MIS kezdeti időszakában a döntési folyamat teljes automatizálásának reményében indult meg a kutatás. Az EIS projektek a kezdeti kudarcokból okulva a feladatkör lényeges leszűkítésével próbálnak meg a hasznos alkalmazásokig eljutni.

Az EIS feladata a MIS átfogó koncepciójával szemben: olyan adatokat gyűjteni, ezeket úgy feldolgozni és olyan formában megjeleníteni, hogy az ellenőrzés (a kívánatos állapotoktól való eltérések felfedésének) hatékonyságát elősegítse. Azonban a veszélyek, az ellenintézkedések és akciók szükségszerűségének felismerése és mibenlétének meghatározása továbbra is emberi feladat marad. Az EIS projektek kulcsszavai tehát: adatkezelési rugalmasság, komplexitás redukálása, átláthatóság növelése.

Kapcsolódó fogalmakAz EIS projektek a döntéstámogató rendszerek (DSS – Decision Support Systems) halmazába tartoznak. A döntéstámogató rendszerek feladata a döntési folyamat elemzése nyomán mindazon tevékenységek módszeres alapokra helyezése, melyek az emberi problémamegoldó képesség szintjén, ill. ennél helyesebben kezelhetők emberi beavatkozás nélkül.

A DSS-nek két fő iránya van: az operatív és a stratégiai döntéstámogatás. A szöveggyűjtemény a továbbiakban csak a stratégiai döntések kérdéskörével foglalkozik.

A stratégia döntések a menedzsment feladatkörébe tartoznak, így a MIS és a MSS, vagyis Management Support System fogalmak ennek körülírását jelentik.

Módszertanilag (mindkét főirányon belül) két szintet lehet elkülöníteni: a Data Support és a Decision Support szinteket.

Az „adatfeldolgozási” szint alacsonyabb értékű szolgáltatást jelent, mint a „döntési szint”, amennyiben az adatok gyűjtése, nyilvántartása és feldolgozása rutinfeladatok statikus megoldásaként jelentkezik, nem koncentrálva sem a döntési folyamatra, sem személyre. Data Support tipikus esete pl. egy EIS-projekt.

A „döntési szintre” szemben az adatfeldolgozási szinttel a konkrét döntési helyzetre, illetőleg a döntéshozóra való koncentrálás jellemző. Az alacsonyabb szintű, általános jellegű adatfeldolgozást (mutatószámképzés, összegzés, összehasonlítás) itt már modellek váltják fel, melyek lehetővé teszik a „mi van/lesz, ha” típusú kérdések kezelését, s ezáltal közvetlenül hozzájárulnak a döntés helyességének fokozásához, (adott célfüggvény esetén az optimális döntés meghozatalához).

A DSS szakirodalma – lényegében szinonimaként – megemlíti még pl. a Knowledge Systems (KS – ismeret, ill. tudásrendszerek), illetőleg a Problem Processing Systems (PPS – problémamegoldó rendszerek) fogalmait is, melyek az adatok és a módszertani elemek logikus, problémaspecifikus sorozatának kialakításáért felelős bonyolult koncepciókat takarnak, s egyre univerzálisabb választ próbálnak keresni a klasszikus „milyen adatokat milyen módszerekkel kell feldolgozni” kérdésre. Ez utóbbi rendszerek a mesterséges intelligencia kutatás tárgyköréhez állnak közel, s ma még inkább csak az álom, mint sem a gyakorlat kategóriájába tartoznak.

155

Ideális vs. reális

Az informatikai eszközökkel szemben támasztott igények az ideális DSS esetében nagyon magasak: gyors, de mégis egyedi és dinamikus alkalmazkodást lehetővé tevő rendszerfejlesztés, speciális programnyelvekre és keretrendszerekre támaszkodás, felhasználóbarát felületek, PC-n is kielégítő sebesség, módszer- és adatbázissal kombinált átfogó döntéstámogatás.

Mint az az EIS definíciójából látható volt, az EIS (Data Support) projektek célrendszere a MIS totális koncepciójából adódó feladatkörből csak egy relatíve kis szeletet ragad ki. S a következőkben látható módon még ennek részletekbe menő megoldása is rengeteg problémát vet fel, igazolva ezzel a szöveggyűjteményben célul választott redukciós elvet, (mottó: rendszerbe foglalni csak létező dolgokat lehet), mely reálisan kialakítható építőkövek meghatározására, s ezek esetleges „rendszerbe foglalására”, integrálására alapozza a gyakorlatban helyüket megállni akaró MIS-k koncepcióját (vö. információs rendszer architektúrák a Business Reengenieringben, l. később).

26.1.2. Gyakorlat – EIS-Esettanulmány

Az alábbiakban Denoke – a Mannesmann konszern EIS-projektje kapcsán felmerült – tapasztalatait ismerhetjük meg.

A Mannesmann konszern rövid bemutatása A Mannesmann konszern 1993-94-ben 11 vállalkozást foglalt magába (Demag, Mobilfunk, Fichtel&Sachs, stb.). A konszern 6 nagy tevékenységi körben érdekelt: gép- és berendezésgyártás, járműipar, elektronika, elektrotechnika, telekommunikáció és kereskedelem. A konszern 1993. évi forgalma elérte a 28 milliárd német márkát, melyből a Németországon kívül realizált arány mintegy 60% volt. Ennek megtermeléséhez a világ legkülönbözőbb pontjain összesen kb. 128.000 munkatársat foglalkoztattak.

A konszern felső vezetése, mint önálló vállalkozás (Menedzsment-Holding Mannesmann AG) az egész tevékenységi kör felett önállóan és teljes felelősséggel gyakorolja az irányítást és a felügyelet. A menedzsment koncepciója az ellenőrzött decentralizálásra, azaz a stratégiai tervezésre és ennek kontrolljára alapul.

A konszern „információ-feldolgozási” tevékenységét a Mannesmann Datenverarbeitung Gmbh (MDV) végzi. Ez a vállalkozás konszernen kívüli megbízásokat is teljesít. A menedzsment megbízások formájában lép kapcsolatba az MDV-vel. Az MDV szolgáltatásai között szerepel többek között a hardverek (egyedi és hálózati) és szoftverek fejlesztése, beüzemelése, karbantartása. A technikai jellegű potenciál mellett az MDV munkatársai pl. a projekttervezés területén is jártasak.

A konszern információs folyamatainak koordinálásában több testület is közreműködik. Egyrészt az úgy nevezett informatikai bizottság, mely közvetlenül a menedzsmentet képviseli. Másrészt a koordinációs bizottság, mely a konszern egyéb területeinek összehangolását végzi. A konszern ezen egységei állnak szoros munkakapcsolatban az MDV-vel.

EIS szükségszerűségének felmerüléseA konszern ellenőrzési (kontrolling) részlegének önfejlődése kapcsán alakult ki az az elképzelés, (óhaj, ötlet), hogy a jelentések (adatgyűjtés, -feldolgozás) eddigi rendszerét úgy kellene továbbfejleszteni, hogy ezzel sajátos, egyedi jellegű (ad hoc) lekérdezéseket is támogatni lehessen. Az ötlet felvetődését egy, minden érintettet felölelő konszernen belüli kommunikációs folyamat követte, mely során a még részleteiben ki nem dolgozott koncepció hasznosságát vizsgálták meg.

Az EIS projektet megelőző időszakban a konszern jelentéstételi rendszere úgy került kiépítésre, hogy egy központi nagyszámítógép fogadta a legkülönbözőbb országokban székelő, decentralizált egységek adatait, melyeket később az ellenőrzési részleg PC-n feldolgozva papírra alapozott összefoglalók, táblázatok és grafikák formájában adott tovább a felső vezetésnek.

156

Ez a technikai megoldás ad hoc kérdések esetén csak korlátozottan volt képes támogatni a feldolgozást. E korlátozottság egyrészt azt jelentette, hogy adott kérdésre az automatizáltság hiányában csak relatíve hosszú feldolgozási idő után lehetett választ kapni, másrészt pedig a válaszok kidolgozása (az amúgy jórészt meglévő adatoknak a számítógépből való szelektív „előcsalogatása” miatt) magas szintű informatikai ismeretek követelt meg (jelentős bérköltséget okozva ezzel).

Az ellenőrzési részleg napi munkája során felmerülő problémák vezettek el oda, hogy szükségessé vált egy rugalmas lekérdezéseket PC-s környezetben támogatni képes rendszer kiépítése.

Koncepcionális előnyökAz új rendszertől várt előnyök első megközelítésben: tetszőlegesen csoportosított adatok lekérdezésének lehetővé tétele (esetlegesen egy részletesebb,

illetőleg az eddigi adatbázisra támaszkodva), a lekérdezés idejének gyorsítása, minél alacsonyabb szintre szorítása, a papír alapú ábrázolást meghaladó érhetőség, áttekinthetőség biztosítása képernyőre alapozott

megoldásokkal (Megj.: a hipertextes oktatási anyagok tanulást serkentő mivoltát a papíralapú alternatívához képest az eddigi vizsgálatok nem feltétlenül erősítik meg),

alacsonyabb informatikai ismeretszint szükségessége az alkalmazók körében, tehát bérszínvonal csökkenés, egyszerűbb helyettesíthetőség,

létszámcsökkenés, bérmegtakarítás, ill. elemzésekre szánt idő növekedése, a menedzsment esetében is a közvetlen gép-ember kommunikáció hatékonyságának fokozása.

Részletkérdések Gép vs. ember Az újszerű, intuitív adatcsoportosítások előállítása önmagában még nem feltétlenül

vezet jobb döntésekhez, azonban növeli annak valószínűségét, hogy a konszern az őt fenyegető veszélyeket és a fel-felmerülő lehetőségeket nagyobb gyakorisággal képes felismerni, mint enélkül, hiszen egy-egy újszerű adatcsoportosítás nem más, mint egy intuitív hipotézis pl. veszélyek, hibák feltárására, mely gyakorlati beigazolása ill. elvetése ismét csak intuitív módon történik. A hipotézisek megfogalmazása és az elemzés időigényes feladata továbbra is a menedzsment, pontosabban a stáb (vagyis az ember) munkája marad. A döntés-előkészítés keretében végzett adatfeldolgozás közvetlenül nem információt, hanem nagy valószínűséggel információként értelmezhető adatot állít elő.

Univerzalitás A felvázolt elképzelés elsődlegesen menedzsment munkájának támogatását, a döntés-előkészítés helyességének fokozását célozta meg, ha csökkenő mértékben is, de továbbra is viszonylag magas informatikai ismereteket elvárva a stábtól. Amennyiben azonban a rugalmasságot lehetővé tevő rendszer egyszer már általános érvényűen rendelkezésre áll, felmerül a kérdés, vajon az alsóbb szinteken dolgozó, úgy mond „informatikai laikusok” esetében (csak bizonyos adatcsoportokhoz való hozzáférését biztosítva) lehetséges-e az informáltság növelése. Ezért a rendszer tervezésénél a lehető legrugalmasabban kell kezelni azokat a kérdéseket, melyek a felhasználást a laikusok számára is megkönnyítik.

Stabilitás Egy meglévő rendszerhez való kísérleti jellegű kapcsolódáskor azt is biztosítani kell, hogy a különben működőképes régi rendszer zavartalan maradjon (vö. Business Reengineering, l. később).

Megoldási alternatívákMiután az új rendszerrel kapcsolatos elvárások hosszú, s időt rabló (jelentős tranzakciós költséget okozó) egyeztetések után tisztázásra kerültek (többé-kevésbé, hiszen ez csak egy önkényesen lezárt, de soha be nem fejezhető folyamat), következhet az alternatív megoldások kidolgozása. Koordináció A megoldási alternatívák kidolgozására egy a konszern koordinációs bizottságának

felügyelete alatt működő munkabizottság került létrehozásra. A munkabizottság elsődleges feladata az alkalmazásban érintettek véleményének, elvárásainak kritérium-katalógussá fejlesztése volt. Ezen katalógus alapján vált csak érdemben lehetségessé a szelekció a piacon fellelhető kínálatok között, melyek felkutatása a munkabizottság második számú feladataként fogalmazódott meg.

Kritériumok A kritériumok általában nem egyenrangú fontossággal bírnak. A legfontosabb kritériumcsoport, úgy nevezett KO-kritériumok (knock out) csoportja. Amennyiben egy ajánlat akár

157

csak egy KO-feltételt nem képes teljesíteni, azonnal szelektálásra kerül. Ilyen kritérium volt pl. a meglévő rendszerrel való kompatibilitás maximális biztosítása.

Az első szelekció (KO) után két kínálat tűnt alkalmasnak az elvárások kielégítésére. A munkabizottság határozata alapján mindkét ajánlattevő lehetőséget kapott egy-egy prototípus kidolgozására, melynek konszernen belüli tesztelése során szerzett tapasztalatok alapján születik döntés arról, hogy készüljön-e egyáltalán egy átfogó EIS-projekt, s ha igen, melyik ajánlattevő közreműködésével.

Tranzakciós költségek Mint talán érezhető, még semmi nem dőlt el konkrétan, s a koordináció érdekében máris viszonylag nagy volumenű költség és emberi munka került bevetésre, melyek valójában csak valamikor a jövőben térülnek meg egy-egy időben meghozott helyes, ill. sikeresen elkerült hibás döntés kapcsán. Nehezen mérhető a „mi lett volna, ha nincs informatikai támogatás” helyzethez képest kialakuló hasznosságtöbblet.

A projektek előkészítésekor felmerülő költségek volumene egyben valószínűsíti egy a vállalkozások mérettől függő kritikus informatikai affinitásnak nevezhető határvonal létezését, mely alatt a fejlesztés magas költségei soha nem térülnek meg, így a beruházás ténye fel sem szabadna, hogy merüljön, illetőleg minden határvonal alatti vállalkozás csak szimbolikus értelemben (nekem is van egy PC-m, de semmire sem használom jelleggel) tud invesztálni, mely jelenség az információs technológia termelékenységi paradoxonának egyik fontos komponense. (Paradoxon: az informatikai invesztíciók és a vállalkozások sikeressége között nincs egyértelműen pozitív korreláció).

Tesztelés

A) Koncepció

Az EIS-munkabizottság harmadik feladata a már meglévő kritériumkatalógus alapján egy a két ajánlattevő számára átnyújtandó elvárásrendszer kidolgozása volt, melyhez a leendő felhasználókkal való rendszeres egyeztetés elkerülhetetlen. (Sőt maguknak a felhasználóknak is némileg tisztában kell lenniük a lehetőségek határaival mind pozitív, mind negatív értelemben: pl. társalgó PC még nem, de számtalan szoftver egyidejű alkalmazása, vagy file egyidejű kezelése igenis lehetséges.)

A tesztmodelleket úgy kell kidolgozni, hogy pozitív döntés esetén ezeket már csak finomítani, bővíteni kelljen, s nem pedig mindent előlről kezdeni a bizonytalan siker reményében. Ez a prototyping elvű „taktika” mind a fejlesztő (nincs duplamunka), mind a felhasználó (azonnali alkalmazás és haszontermelés) számára előnyös és lehetővé teszi a moduláris és rugalmas együttműködést, amennyiben az alternatív prototípusok kifejlesztésének költségeit a megrendelő képes felvállalni.

A tesztmodellek közül a menedzsment választ a tesztcsoport javaslatai alapján. A tesztcsoport (tesztmodellenként) négy főből áll. A menedzsment informatikai képviselőjéből, a MDV képviselőjéből, a ellenőrzési részleg képviselőjéből és a mindenkori modellt előállító cég szakértőjéből.

A tesztfázis lehetővé teszi a fejlesztés követését is, így nem csak a végtermék, hanem ennek kidolgozása körüli nehézségek, vagy éppen meggyőző technikák is motiválhatják a döntést. Így a későbbi karbantartás és bővítés lehetőségei tapasztalati úton értékelhetők.

A tesztfázist egy egyhetes, a szakértők által irányított továbbképzés vezette be. Majd 20 napon keresztül maguk a tesztmodellek kerültek kidolgozásra. A 20. napon függetlenül a készenléti állapottól a tesztfázis befejeződik. A készenléti állapotok az időközben felmerülő alternatív megoldásoktól függnek. Az időlimit megadásával korlátok közé lehet szorítani az alternatívák számát, ami természetesen az egyes részmegoldások optimumtól való távolságát növeli, mindezt a már kidolgozott feladatkörök számának egyidejű bővülésével. (Megj.: A 20 napos limit jelzi, hogy kb. milyen volumenű fejlesztői kapacitást követel meg a megrendelői oldal az informatikától várt előnyök reális kihasználhatósága érdekében.)

B) Részletes elvárásrendszer

Az elvárásrendszer két fő komponensre tagolható:

158

közgazdasági (tartalmi) komponensek, technikai (formai) komponensek.

A közgazdasági oldalon elvárható, hogy az eddigi papírra alapozott rendszer tartalmilag bővülő szolgáltatásokat nyújt., míg a technikai oldal a kompatibilitásért, a könnyű kezelhetőségért és a gyorsaságért felelős, mely részletei az elváráskatalógusból tűnnek ki. (Tartalmi oldalon az eddigi jelentésrendszer negatívumainak és pozitívumainak elemzése rámutatott arra, hogy TERV-TÉNY összehasonlításokat csak korlátozott adatkörben és aggregáltsági fokon lehetett végezni. Az új típusú TERV-TÉNY összehasonlítások a tesztmodellek lényegi elemét jelentik. Kifejezetten menedzsmenthez kötődő, technikai elvárások pl. a Notebook-verzió kialakítása lokális adatbázissal, illetőleg a programok egyszerű kezelhetősége, hiszen maga a manager is a gépkezelés szintjén gyakran informatikai laikusnak számít.)

A tesztmodellek az alábbi három adatfeldolgozási feladatra koncentráltak: a dokumentumok kezelése, a konszernen belüli adatok kezelése és a külső adatforrások integrálása.

A dokumentumok kezelése kapcsán leginkább a különböző megjelenítési és menütechnikák vizsgálata volt fontos feladat. Cél, mint az már az eddigiekből is kiderült, az érthetőség, áttekinthetőség növelése volt.

A konszernen belüli adatokkal kapcsolatban a másik fontos célkomponens az ad hoc lekérdezések lehetővé tétele volt.

Az objektumorientált adatmodell úgy került kidolgozásra, hogy a szabad lekérdezések elvileg teljes körben lehetővé váljanak. A lehetséges kombinációk számának csökkentése a napi gyakorlat alapján kialakított aggregálási irányok szerint került korlátozásra. Így beszélhetünk földrajzi (külföld, belföld), jogi (konszern, vállalkozás), ökonómiai (forgalom, eredmény) és idő szerinti (idősoros) csoportosításokról.

Az aggregálás mellett a különböző idősorok, mint adatalapegységek közötti szabad kapcsolatteremtés volt fontos feladat. A kapcsolatbahozás nem más, mint a mutatószámok képzése.

Az idősorok alapján az előrejelzések készítése és integrálása szintén egyike volt az elvárásoknak. (A problematika fontossága miatt külön fejezet (l. 5.) foglalkozik ezzel az elemi feladattal).

A mutatószámok speciális (s ezért külön kezelendő) fajtái a terv-tény (prognózis-tény) összehasonlítások.

Az ilyen típusú összehasonlítások további kiértékelésére szolgál a szabadon definiálható, küszöbértékorientált listák készítése, melyek a küszöbértékektől pozitív vagy negatív irányban jelentkező szélsőséges eltéréseket a vizsgált listákban színkódokkal is kiemelik.

A számított illetőleg nyilvántartott értékekkel kapcsolatban sokféle grafikai ábrázolás gyors elkészítése is követelményként jelentkezett.

Fontos elvárás az adatok idődimenzióinak (keletkezésük dátumának) kezelése, ezek aktualitásának kifejezésére.

Külön gondot jelent a tesztfázis alatti adattitkosítás, illetőleg egy mesterséges, de mégis tartalmilag érdemi vizsgálatokat lehetővé tevő adatállomány kidolgozása.

A külső adatforrások kapcsán két kérdés merült fel: egyrészt a manuálisan vezérelt lekérdezések lehetősége, másrészt standard (az eddigi gyakorlat alapján hasznosnak minősíthető) kérdések esetében az automatizált lekérdezések megoldása.

159

A külső adatforrások a vállalaton kívüli jelenségek (külvilág) kapcsán felmerülő kérdések (veszélyek, lehetőségek, alkalmazkodási stratégiák) adatigényeit kell, hogy kielégítsék. A külső adatforrások dinamikusan változó (bővülő) kínálatot jelentenek, s általában – szabványok hiányában – az eddigi feldolgozási algoritmusokkal nem kompatibilis formában szolgáltatnak adatokat. Ezek feldolgozása így zömmel ad hoc jellegű és magas informatikai ismereteket követel meg. A keresgélés során véletlenszerűen előbukkanó hírek gyakran fontosabbak, mint a szisztematikusan gyűjtött adatok.

A képernyővel kapcsolatos problémák önálló elvárások formájában fogalmazódtak meg, mint pl. érthetőség, átláthatóság, touch-screen, vagy egér (pointing device) használata, grafikus alapfelület, lépések visszapergetésének lehetősége, helpek.

A teszt kiértékeléseA 47. ábra a nem ökonómiai kiértékelési szempontokból nyújt fontossági sorrend szerint egyfajta válogatást. A 48. ábra a költségtényezőket foglalja össze:

A táblázatok alapján kiderül, hogy a hagyományos szemléletű beruházási döntés-előkészítés, melyben a hasznosság és a költségek hányadosának illetőleg különbségének maximalizálása a cél, ilyen esetben nehezen támogatható megfelelő adatokkal. A költségek még csak-csak számszerűsíthetők, azonban a hasznosság sok tényezős (rugalmasabb, érthetőbb, átláthatóbb, aktuálisabb „információ”-szolgáltatás) kategóriája meglehetősen nehezen fejezhető ki egyetlen számmal. Végső soron nem marad más alternatíva, minthogy a döntéshozók a tesztmodellekkel szerzett tapasztalatok és az eddigi gyakorlat összevetése után a hasznosságbővülést, illetőleg a kalkulált költségtöbblet arányosságát szubjektív alapon ítélje meg. A hasznosságbővülés kapcsán pl. az alábbi pontokban felsorolt adatokkal konfrontálódva kell a személyes álláspontokat kialakítani:

Felhasználói követelmények Rendszerrel szembeni elvárásokEmber-gép kapcsolat: Interaktív felhasználás lehetősége Felhasználó által definiálható maszkok Nyomtatási és grafikus lehetőségekFelhasználás iránya: ad hoc elemzések trendszámítás szimulációBetanulhatóságGyorsaságAdatvédelem biztosítása külső „betolakodók” ellen munkakör szerinti szelektív

adatlekérdezés

Objektumorientált adatmodellLehetőség az adatmodell módosításáraOsztott adatfeldolgozás adatbáziskezelés állandó elérhetőség PC-Workstation kompatibilitás aggregáció lehetősége/drill down technikaKapcsolattartás: a korábbi rendszerrel konszernen belüli adatbankokkal külső adatforrásokkal irodai kommunikációs rendszerekkel PC/Notebook verziókkal

Rendszerfejlesztővel szembeni elvárások ErőforrásigényMegfelelő munkaprofilFöldrajzi közelségReferenciákTermékpolitika/Betanítás

Hardware (server/client/network)Softwareszemélyi feltételekkarbantartás/továbbfejlesztés

47. ábra Részletek a kritériumkatalógusból és az elvárásrendszerből (Denoke nyomán)

160

Egyszeri költségek Folyamatosan felmerülő költségekBeszerzési költségek- software-bővítés- hardware-bővítés- kommunikációs rendszer-bővítésInstalláció költségei- összeszerelés- betanítás- dokumentáció

Üzembentartás költségei- áram- személyzet- alkatrészKarbantartás költségei- állandó hardware-aktualizálás- programhiba-javítás

48. ábra Költségek (Denoke nyomán)

26.1.3. Összegzés

Az elmúlt néhány évben induló EIS-projektek zöme prototípus-technológia alkalmazása, illetőleg gazdaságossági számítások és elemzések nélkül futott le, ugyan viszonylag olcsón, de jórészt sikertelenül.

A projekt sikeressége elsősorban a minden érintettet felölelő koordinációs munkán alapszik, mely azonban nem elhanyagolható tranzakciós költségeket okoz, s ezt csak tőkeerős vállalkozások képesek megelőlegezni.

A koordináció eredményeként létrejövő kritériumkatalógus és elvárásrendszer helyessége a megrendelői oldal felelős és aktív közreműködésének függvénye. (Ha az alkalmazó nem tudja, mit akar, jobb ha nem is kezd bele a projektbe.)

Egy-egy rendszer megítélésében nem csak a késztermék szolgáltatásait kell figyelembe venni, hanem a fejlesztés fázisaiban felmerülő nehézségeket is. Hiszen ezek alapján ítélhető meg a rendszer jövőbeli biztonsága, karbantartása, bővíthetősége.

A végső döntés nem nélkülözheti a szubjektív elemeket. Ugyanis az EIS hasznossága, szemben költségeivel nem definiálható egzakt módon.

Minél szélesebb informatikai és szakmai ismeretekkel rendelkeznek egy-egy személyre nézve a projektben résztvevő felek, annál nagyobb a valószínűsége a sikeres és gyors koordinációnak, míg a részleges hozzáértés hiánya nagyban felelőssé tehető a kudarcokért.

Az kínálati oldal standardjai ritkán felelnek meg a megrendelők igényeinek. Amennyiben a fejlesztés mégis ezekre az olcsó alternatívákra alapul, úgy a célok teljes mértékben nem érhetők el. Ellentétben ezzel az egyedi fejlesztések ideje és költségei magasak, az eredmény maga esetlegesen bizonytalan.

A megrendelői oldal a technikai trükkökkel, hibákkal szemben mindaddig kiszolgáltatott, míg nem képes kellően kvalifikált, lojális szakemberekre támaszkodni.

Az EIS projektektől tehát soha sem szabad magától értetődően helyesebb döntéseket elvárni, csak annak esélye növelhető, hogy az új típusú adatfeldolgozás valóban segíteni képes az intuitív elemzéseket. Így a projektek teljes tartalmi felelőssége a megrendelőt terheli.

26.1.4. Ellenőrző kérdések

Hogyan csoportosíthatók a döntéstámogató rendszerek? Mi a MIS teljes koncepciójának lényege? Milyen részfeladatokat vállal fel ebből egy EIS-projekt? Mi a prototípustechnológia lényege? Milyen fontosabb fázisokból áll össze egy EIS-projekt? Kik érintettek egy EIS-projektben? Mi indokolja a kritikus informatikai affinitást?

161

26.2. Business Reengineeringtől az EDI-ig

Az EIS kapcsán bemutatott konkrétumok arra engednek következtetni, hogy a gyakorlatban az óvatosabb, egyedi megoldások, sziget- ill. részmegoldások, kiegészítő, hiánypótló megoldások keresettebbek, mint a szakirodalom által előnyösebbnek festett integrált, ill. rendszerszemléletű fejlesztések.

26.2.1. Elmélet vs. gyakorlat

Egy rendszerszemléletű, komplex fejlesztés az érintett gazdálkodó szervezet új idegrendszerévé kell, hogy váljon. Amennyiben azonban a menedzsment személyesen nem rendelkezik részletekbe menő, sokoldalú, átfogó ismeretekkel a gépi idegrendszerről, akkor nem is képes rátámaszkodni, együttműködni vele.

Az előző alkalmazási példa egyértelműen kifejezésre juttatja azt, hogy még a legegyszerűbb rendszerrel kapcsolatban is az ismeretek olyan mennyisége merül fel, melyet egy ember nem képes hatékonyan és átfogóan kezelni. Feltételezhető tehát, hogy a végső döntéshozó zömmel nem közvetlenül, hanem továbbra is a stábon keresztül áll majd kapcsolatban a MIS-rel (már ahol stábról egyáltalán a vállalkozás méreténél fogva beszélhetünk, vö. kritikus méret).

A döntéseket így ember-ember típusú, intuícióserkentő kommunikáció kell, hogy megelőzze. Ez megfelel a managerekről alkotott eddigi képnek is: jó tárgyalóképesség, empátia, intuíció, azaz dominálóan emberre irányuló képességek, s nem a gép-ember típusú kommunikációra való alkalmasság (alaposság, részletes szakismeret). Így feltételezhető, hogy a MIS fejlesztésének költségei mellett vezetői típusból fakadó pszichológiai okok is gátolják a relatíve kisméretű vállalkozások informatikai eszközökre való támaszkodását. A szaktanácsadás, mint speciális információközvetítő közeg lényegesen változtathat a információs technikák alkalmazásának keretfeltételein. Az információs rendszerekben való gondolkodás a gazdálkodó szervezetek növekvő együttműködését (szabványosítás, kölcsönös adatszolgáltatás, stb.) várja el.

Az információs rendszerek működtetése magas szellemi potenciált és munkamegosztást tételez fel. Az embereknek hasonlóan kell együttműködniük, mint a rendszermoduloknak. Az érintettektől nem szabad túl sokat követelni (komplexitás, átláthatatlanság, pótolhatatlanság), noha a gyakorlat éppen ennek ellenkezőjét mutatja (egy-egy nélkülözhetetlen ember tartja a kezében a szálakat, mely következésképpen merev, bizalmi struktúrát eredményez az ismeretek demokratizálása helyett).

„Ideális MIS-nek” tehát a minimális komplexitású modulok és emberi kapcsolataik átlátható hálózatát nevezném, melyben konkrét, az alkalmazó számára érthető lépések történnek, állandóan éreztetve a beavatkozás, helyettesíthetőség, újrarendezés lehetőségét.

Szintén az előző fejezet alapján világos az is, hogy a rendszerszemléletű stratégia hatékony alkalmazása rengeteg egyeztetést, tervezést, szervezést igénylő munka, mely szakértő-igényessége révén nagyon költséges is egyben. Mindez a menedzsment aktív, irányító közreműködése nélkül elképzelhetetlen, s értelmetlen.

Egy működő vállalkozásban egy új információs rendszer strukturális munkanélküliséget, azaz nem létszámban, hanem képzettségi igényekben jelentkező változásokat okoz, s ezáltal a meglévő munkatársak érdekeltségét csökkenti. Minél szociálisabb jellegű (pl. kis méret, kötött ügyfélkör miatt) egy vállalkozás, annál kevesebb esélye van a motiváció hiányából adódó akadályok leküzdésére, a munkatársak lecserélésére.

A menedzsment szintjén a felgyorsult gazdasági versenyben a siker egyik feltétele a hierarchiamentes csapatmunka, mely mibenlétét mindig a konkrét kihívásoknak megfelelően kell újragondolni. Következésképpen a menedzsment munkáját támogatni kívánó információs rendszer sem lehet merev, átláthatatlan szövevény.

162

26.2.2. A business reengineering – az alkalmazkodás egyik eszköze

A business reengineering (BR) nem új keletű, azonban mai formájában mégis újszerű eszköz a menedzsment kezében, mely eszköz egyik, s egyben legfontosabb komponense éppen a MIS-rel való kényszerű és elengedhetetlen kapcsolat.

A BR célja a vállalkozások alkalmazkodóképességének és eredményességének javítása az át- és újraszervezés révén. A BR így alapvetően a tervezés-konstrukció feladatkörével mutat rokonságot. Újszerűsége három komponensre vezethető vissza: radikalitás a változások mértékében, információtechnológiára való támaszkodás, az üzleti folyamatra, mint egységre való koncentrálás.

A radikalitás a gazdálkodás teljes szervezeti, technológiai átalakíthatóságát mondja ki. Az átalakítás célja egy olyan új egyensúlyi állapot megtalálása, mely a versenyhelyzetben jobban megállja a helyét. Az egyensúlyi helyzet kifejezés alatt alapvetően az emberek hozzáállásának mibenlétét kell érteni. Nem stabil egy új állapot akkor, ha ennek megváltoztatására jelentős motiváció keletkezik az érintettekben (pl. technológiacentrikus váltás vs. szakértelembeli kötöttségek). Tapogatózó lépésekkel a tapasztalatok szerint nem lehet egy hierarchiájában stabil rendszert a kívánt irányba mozdítani, hiszen az eddigi stabilitás lényege éppen az, hogy az adott helyzet fenntartása többek érdeke, mint a változtatás. (A rendszerek stabilitását jól szemlélteti a régi, szekerekkel mélyen kitaposott, ill. vízmosásos utak esete, melyek csak tengelytörés kockázata mellett engedték meg az irányváltást, vagyis csak jelentős kockázat, ill. energiabefektetés mellett lehet egy rendszer új egyensúlyi állapotba juttatni.)

Az információs technológiára való támaszkodás segítője a BR-nek. Modulárisan felépített MIS esetében (vö. ideális MIS) nem okoz feltétlenül változást ennek rendszerében. Amennyiben a MIS merev, szervezetre szabott jellegű, ennek módosítása a BR projektek elsődleges feladata.

Az üzleti folyamatra való koncentrálás a BR központi tétele, hiszen gazdasági előnyt csak a vállalkozás pillanatnyi kereteit figyelmen kívül hagyó, a szervezeti egységek optimumánál globálisabb optimumot kereső szemlélet hozhat. A globális optimum irányába való elmozdulás feltétele, hogy a szervezeti egységek a MIS szempontjából két funkciónak minden pillanatban eleget tegyenek: állandóan és rendszeresen (real-time) dokumentálják tevékenységüket, valamint keressék a kapcsolati lehetőségeket (részleges vagy teljes input-output kompatibilitás) más egységekkel.

Ez az elvárás nem más, mint a moduláris rendszerfejlesztés elvének szervezeti megvalósulása. A modulok kapcsolatainak újra gondolása és az új kapcsolati formák eredményét és rizikóit illető becslések megfelelő adatháttér és modellek nélkül elképzelhetetlen. Ezért egy BR projekt, ha „bejön”, akkor lényegesen kedvezőbb helyzetet teremt (szervezeti és információs know-how), azonban a kudarc kockázata a téves következtetések levonásának veszélye miatt óriási.

A BR folyamata, mint minden komplex folyamat több, egyre lényegre törőbb lépésben fut le. Ennek ellenére az ismert BR projektek több, mint 70%-a megbukott (pl. informális kapcsolatok kéz-kezet-mos-effektusok és az előbb említett következtetési problémák miatt).

26.2.3. Információs rendszerarchitektúrák – a BR építőkövei

Amennyiben a reálfolyamatok (anyag-, energiaáramlás) moduláris jelleggel kerülnek kidolgozásra a helyettesíthetőség és újrarendezhetőség szem előtt tartásával, akkor ugyanezt a moduláris struktúrát kell, hogy kövessék az információs folyamatok is. Az információs folyamatok alapelemei az információ rendszer architektúrák. Az információs rendszerarchitektúrák létezését és fontosságát senki nem tagadja, azonban a definíciót illetően erősen szóródnak a vélemények, pl. az egyszerű adatmodellektől a lehető legkomplexebb alrendszerekig (adatátviteli normák, adatvédelmi törvények), mint építőkövekig.

163

A véleménykülönbségek oka alapvetően a nézőpontok különbözőségére vezethető vissza. Úgy is lehetne fogalmazni, hogy e területen mindenkinek igaza van, ugyanis mindig található egy-egy olyan helyzet, melyben egy adott logika helytálló. A problematika lényege éppen a rugalmasság kezelhetetlenségében van. Feltehetően egyáltalán nem lehet egységes, átfogó elvek szerint megoldani a moduláris BR és a vállalkozásspecifikus MIS problémáit.

49. ábra A BR folyamata (Schieber nyomán)

Az ábrán egyrészt hatásosan érezhető, hogy a tudományos publikációk absztrakt kategóriái, milyen messze vannak az ezzel direkt kapcsolatot fenntartani kényszerülő mérnöki (system engineering) pontosság elvárásaitól, hiszen az ábrán látható egy-egy kocka élettel való megtöltése több ezer oldalnyi tanulmány anyagául szolgálhat. Másrészt az ábra áttekintést ad a BR projektek folyamatának elemeiről.

A következő évtizedek kutatása ezért egyrészt a lehető legkonkrétabban definiált információs rendszer modulok katalógusának összeállítását, másrészt ezen elemek összekapcsolási lehetőségeinek (közös adatalap – pl. objektum-attribútum-idő-mátrix) az alkalmazások referenciáinak gyűjtését, rendszerbe foglalását kell megcéloznia.

Ezen túlmenően az alkalmazói oldalon, azaz a vállalkozásoknál a képzés, továbbképzés erősítésével ki kell alakítani egy értő és együttműködésre képes szakmai közönséget, akik – mint a Mannesmann konszern esetében is láthattuk – egyedi elvárásrendszereket, kritériumkatalógusokat tudnak felelősségteljesen a rendszerfejlesztők asztalára tenni.

Amíg az információmenedzsment (igények) és az információs architektúrák (lehetőségek) közötti „szakadék fölé nem sikerül az ismeretek hídját kifeszíteni”, addig a MIS kiépítését célzó törekvések zöme kudarcra van ítélve.

164

26.2.4. Strategic Alignment

A vállalkozások információs technológiával való felszerelése alapvetően nem a meglévő kommunikációs kapcsolatok automatizálása, hanem a kommunikáció és a tevékenységi elemek újraszervezése révén kell, hogy többletet jelentsen az érintetteknek.

50. ábra A Strategic Alignment modellje (Henderson nyomán)

A menedzsment és az információs technológia (IT) kapcsolati formái adják a keretrendszert bármilyen típusú át- és újraszervezéshez. Az ábra alapján négy terület azonosítható: a vállalkozás üzleti stratégiája, a vállalkozás szervezeti felépítése, folyamatai, IT stratégia, IT infrastruktúrája, folyamatai.

Az üzleti stratégia termék-, ill. piaci szegmenscentrikus. A három legfontosabb részkérdés e területen: mit, milyen méretben, milyen erőforrás-háttérrel akar a vállalkozás csinálni.

A vállalkozás szervezeti felépítése és üzleti folyamatai három alapvető részre különíthetők el: az adminisztratív struktúra magában foglalja a munkatársak kiválasztását, a döntési jogköröket

meghatározását, a felelősségi viszonyokat, hierarchiai szintek számát, a centralizáció mértékét, azaz a cselekvés keretfeltételeit.

az üzleti folyamatok felölelik az erőforrásoktól a termékig folyó folyamatokat, melyek a vállalkozás magját, s ezáltal a hatékonyság növelés lehetőségét jelentik.

az emberi képességeket, melyek lehetővé teszik a tervek megvalósítását.

Az IT stratégia technika- és szolgáltatáscentrikus. A három legfontosabb részkérdés e területen hasonlóan az üzleti stratégiához: mit, milyen méretben, milyen erőforrás-hátérrel akar a vállalkozás csinálni.

Az IT infrastruktúrája és folyamatai magukban foglalják a hardver, szoftver és kommunikációs kapcsolatok kérdéseit,

165

a módszertani feladatokat és az érintettek képességekeit.

A bemutatott elemek és kapcsolataik dinamikus kölcsönhatásban állnak egymással. Minden pillanatban vizsgálni kell(ene) a bennük rejlő potenciált, ill. az időleges szűk keresztmetszeteket, valamint az elemek összhangját. Minden elem a vállalkozás sikerének van alárendelve, ezt kell szolgálniuk. Így az IT stratégiának egyrészt mindenkor (dinamikusan változva) meg kell felelnie az üzleti stratégiának, másrészt lehetőséget kell teremtenie ennek adaptív megváltoztatásához. Az üzleti stratégia nem szakadhat el az átalakítási (erőforrás-termék) folyamatok logikájától, s ezek reális módosítási lehetőségeitől. Az IT infrastruktúráknak és folyamatoknak meg kell felelniük az átalakítási folyamatok elvárásainak. Az IT stratégia pedig nem szakadhat el az IT alapstruktúráktól. A felsorolt összhang-, potenciál- és szűk keresztmetszeti problematikák mai ismereteink szerint egyáltalán nem automatizálhatók, s ez meg is felel az emberi kreativitásról, mint többletérték teremtő képességről szóló elméleteknek, melyek szerint a menedzsment és a munkatársak „megérzései” (törvényszerűségek felismerése) az a hajtó erő, amely alapvetően felelős egy vállalkozás hosszú távú sikereiért. Ezért a vállalkozás szervezeti felépítését és az IT minden komponensét úgy kell kialakítani és állandóan módosítani, hogy az ember kreativitása maximálisan kifejezésre jusson. A merev szervezeti és informális kapcsolatok előbb-utóbb a vállalkozás csődjéhez vezetnek. A szervezeti merevség és az információs monopóliumok oka a status quo megtartásához fűződő személyes érdek jelenléte, ill. az részleges, a vállalkozás céljaitól eltérő érdekeket követő csoportok kialakulása.

A vállalkozás, mint egység szempontjából ideális állapotnak lehetne nevezni azt az esetet, amikor minden információ az egység minden munkatársának rendelkezésére áll, (de nem kell kényszerűn felhasználnia), s a munkatársak egyetlen célja a vállalkozás hatékonyságának növelése. A MIS tehát egy dinamikus rendszer, melynek hatékonyságát a módszertani hiányosságok mellett az érdekviszonyok is jelentősen befolyásolják.

A strategic alignment egy (absztrakt) keretrendszer, mely segítségével minden információs folyamat leírható. Az absztrakció magas fokából következően a strategic alignment a gyakorlati munka számára mindig továbbfinomításra szorul. A MIS témakörben a feladat komplexitása folytán az asszociációserkentő ismeretek túlsúlya jellemző, szemben az algoritmizálható ismeretekkel. A téma kapcsán rengeteg apró csavar és a rájuk jellemző törvényszerűség ismerhető fel, hasonlóan a komplex biológiai rendszerek jellemzéséhez. Példaként érdemes felhozni, hogy pl. a kukorica terméseredményével kapcsolatba hozható tényezők (NPK, talaj, időjárás, ...) mindegyikéről rendelkezünk kísérletekkel és megfigyelésekkel, s így két dimenzióban gondolkodva, azaz csak egy tényező terméseredményre gyakorolt hatását figyelve, szép összefüggéseket találunk. Arra a gyakorlati munkát nap, mint nap érintő kérdésre azonban, hogy mekkora lesz a terméseredmény két egymástól több ponton eltérő technológia esetében, senki nem tud bármikor előhúzható, s kielégítően pontos receptet adni. Így van ez a MIS kapcsán is: Minden egyes technikai komponens és emberi tényező esetére fel lehet állítani az IT-rendszer hatékonyságát módosító összefüggést, (s ezt is már csak nagyvonalakban). De nem lehet addig eljutni, hogy két alkalmazási alternatíva esetében egyértelműen rangsorolni lehessen ezek hasznosságát. Az informatikai alkalmazások mindaddig a szubjektív megítélés ingadozásainak vannak kitéve, míg nem sikerül az információ számszerűsítésére egy objektív értékkategóriát teremteni.

A strategic alignment keretrendszer „élettel való megtöltése” a BR és a Mannesmann AG esetéhez hasonlóan rengeteg egyeztetés nyomán eredményre vezethet. Az egyeztetések – a kommunikáció – folyamata ugyanis nem más, mint az ideális állapot, a teljes informáltság állapotának közelítése. Egyetlen tudósítást sem lehet a MIS témakör kapcsán találni, ahol ne esne szó a tartalmi vonatkozásokat feltáró workshopokról, bizottsági ülésekről, kérdőívekről, stb., melyek feladata a TERV és a TÉNY értékek, állapotok felmérése és a kívánatos irányba való elmozdulás eszközeinek felkutatása.

26.2.5. EDI

Picot szerint az IT rengeteg ponton kapcsolódhat a vállalkozások értéktöbblet előállító folyamataihoz. Ezen kapcsolódási pontok közül három fontosabbat itt is meg kell említeni, melyek közül az első és a harmadik a

166

hasznosság mérésére bizonyos lehetőséget kínál, s így ma éppen ez a gondolat az „információ”-szolgáltatók egyik legfontosabb érve a szerződéskötések hátterében: Azonos adatmennyiség beszerzése és előállítása (feldolgozása) csökkenő költségek mellett (Megj.: A

szolgáltatók ritkán vizsgálják, hogy szüksége van-e a megrendelőnek arra a bizonyos adatmennyiségre). Vállalkozáson belüli harmonizálás, s ebből adódó hatékonyság növekedés a kritikus adatok

rendelkezésre bocsátásával. (Kérdés: Ki határozza meg az információk szükségszerűségét?) Jobb alkalmazkodás a külvilág fenyegetéseihez és lehetőségeihez ezek megismerése révén. (Megj.: Az

információs technológiák termelékenységi paradoxona éppen ennek ellenkezőjét látszik bizonyítani.)

Az EDI (Electronic Data Interchange – elektronikus adatcsere) a felsorolt három terület mindegyikének komponense lehet, hiszen az EDI célja: az adatáramlás adathordozóváltás nélküli lehetővé tétele a rendszerbe foglalhatóság egyik fontos alappillére (vö. Data Support). Az egységes keretek között való kezelés feltehetően költség-megtakarítást és jobb hozzáférést, azaz hatékonyabb asszociációs folyamatokat teremt, nem vállalva magára azonban a feldolgozás (pl. mutatószámok), optimalizálás feladatait. Ezek továbbra is emberi tevékenységek maradnak (vö. EIS). A nyilvántartás és kommunikáció rendszerbe foglalása segít elkerülni a redundanciát (többszörös adatbevitelt), mely nem csak költségoldalon, hanem az adathitelesség terén is problémákat jelent.

Fázisok Előfeltételek Célok EredményekHelyzetértékelés EDI-stratégia projektterv tény-ideál-terv állapotokKoncepció projektterv szervezeti és technikai

tervszervezet és technika

Realizálás végrehajtási terv működőképes rendszer dokumentált rendszerÁtadás tesztelt rendszer követelmények kielégítése követelmények kielégítéseBevezetés kész EDI-rendszer első „éles” alkalmazás fejlesztés lezárásaKonszolidálás működő rendszer felmerülő hibák javítása kész rendszerKarbantartás projekt lezárása hibamentes üzemmód -

51. ábra EDI projekt fázisai, előfeltételei, céljai és eredményei (Teufel nyomán)

26.2.6. Ellenőrző kérdések

Milyen nehézségek állnak egy integrált információs rendszer útjában? Mi a BR lényege informatikai szempontból? Mi a strategic alignment koncepciója? Mi az EDI lényege?

26.3. Rendszertervezés

Az eddigi fejezetek gyakorlat- és projektorientált megközelítésben mutatták be a MIS problematikáját, s ennek kritikus pontjait. Ebben a fejezetben az általánosság szintjén kerülnek összegyűjtésre („cheklist”) a MIS tervezésére, kidolgozására jellemző lépések.

26.3.1. Elméleti alapok

A MIS nézőpontoktól függően a vállalat információs rendszerének része, vagy egésze lehet. Része annyiban mindenképpen, hogy vannak speciális igényei, módszerei és technikái, melyek alapján jól elhatárolható pl. az operatív irányítástól. Egészként értelmezhető annyiban, hogy a MIS-nek – ha máskor nem, de az ellenőrzés kapcsán – át kell fognia a vállalat teljességét.

A vállalati anyag- és energiaáramlásnak leképezésére adatokat gyűjtünk. Az adat tehát az informatika első erőforrása. Az adatokra támaszkodik minden konkrét információt igénylő alkalmazás legyen az a menedzsment, vagy a végrehajtásért felelős szintek bármelyike.

167

Az adatfeldolgozás (információ-feldolgozás) a feldolgozó módszerek segítségével új adatokat állít elő, melyek vagy információértékűek, vagy sem. Az informatika második erőforrása tehát a módszertan.

Az adat-feldolgozási folyamatok – épp úgy, mint minden transzformáció – időigényes. A technikai lehetőségek fejlődése a folyamatokhoz szükséges időt redukálni képes. Mivel az idő pénz, így az informatika harmadik erőforrása a technikai fejlődés.

A jó rendszer jellemzője, hogy az erőforrásokat úgy használja fel, hogy azok inputértéke és outputértéke között a lehető legnagyobb különbség (információs többletérték) realizálódik.

A rendszertervezés feladata tehát pl. a MIS elemeinek és ezek kapcsolatainak meghatározása. A rendszertervezés általában érvényes szakaszait az alábbi pontok foglalják össze (Nagy J. nyomán):

26.3.2. Előkészítő fázis

IgényA táblázat alapján az első pont az igény kialakulása. A napi gyakorlat során az érintettekben fel-felmerül bizonyos ismeretek és adatok szükségessége. Amennyiben ezek hiánya elér egy kritikus értéket, akkor formálisan is megfogalmazódik a IR fejlesztésének, bővítésének ötlete. A kritikus szintet nem lehet konkrétan megfogalmazni. Ennek mértéke fordított arányban függ: a vállalkozás jellegétől, komplexitásától, a munkatársak érdekeltségétől, a hierarchia mértékétől, az adatok költségeitől, az ismeretek szintjétől, az elérhető többletjövedelem mértékétől.

A MIS esetében az igénymegfogalmazása nem feltétlenül kell, hogy a menedzsmenttől jöjjön, de a menedzsment egyetértése, érdekeltsége és aktív közreműködése nélkül nincs esély a megvalósításra.

Koncepcionális helyzetfelmérésAz igény megfogalmazása után kerül sor a TÉNY állapot felmérésére, a gyengeségek és pozitívumok koncepcionális feltárására minden érintett bevonásával.

26.3.3. Tervezés

Részletes helyzetfelmérésMiután az érintettek fantáziát látnak a MIS kidolgozásában meg kell kezdeni a részletekbe nyúló munkát a TÉNY és a TERV állapotok minél alaposabb kidolgozásához. A projekt sikere ill. a kudarca már ezen a szinten nagy mértékben meghatározódik.

A tervezés alapvetően az érintettek véleményének felmérésén alapul. Ehhez egy munkacsoportnak ki kell dolgoznia az érintettek listáját, a személyre szabott kérdéseket és a feldolgozási módszereket, vagyis azt, hogy a vélemények birtokában, mit kell tenni ahhoz, hogy világossá váljon a cél és a feladat.

Az érintettek köre nem korlátozódik a vállalkozásban dolgozókra, hanem a szállítók és vevők, ill. a hatóságok és egyéb környezetet jelentő szervezetek és egyének véleménye is fontos.

A kérdések már önmagukban hordozzák a koncepciót, a burkolt célokat és feladatokat. Amire nem kérdezünk rá, arról sosem derül ki, hogy fontos-e bárkinek is. A kérdésekre adható válaszok opciók formájában zárttá tehetők. Amennyiben lehetősége van a megkérdezetteknek egyéni vélemény kifejtésére úgy a fontos részletek elhanyagolásának veszélye csökken, azonban a nyitott opciók feldolgozása bonyolítja a helyzetfelmérést (iteratív folyamatok).

168

A feldolgozó módszereket alapvetően csak zárt opciókkal rendelkező kérdőívek esetén lehet nagy biztonsággal meghatározni. Az ad hoc problémafelvetéseket külön kezelendők.

A helyzetfelmérés lehet írásos és/vagy szóbeli. Egyfordulós (általában nem ez a szokás) és többfordulós (pretest, adatgyűjtés, kiegészítés).

A vélemény felmérése történhet sokféle módon (pl. interjúkkal, kérdőívekkel, megfigyeléssel, stb.). Részletekkel a szociológiai és marketing szakirodalom szolgál.

A felmérés birtokában kiderül, hogy milyen adatokat gyűjt a jelenlegi rendszer, s melyeket kik használnak, használhatnak, illetőleg, hogy mit kellene még gyűjteni (milyen rendszerességgel, formában, stb.) s kinek az érdekében, valamint van-e felesleges adatgyűjtés (nem használt adatok) és van-e párhuzamos adatrögzítés (redundancia).

A helyzet természetesen nem ilyen egyszerű. Az esetek zömében a megkérdezettek nem tudják megmondani, milyen alapadatokra is támaszkodnak, csak azt, hogy mi van konkrétan a kezükben, illetőleg az sem mindig világos, milyen alapadatok alapján kellene pontosan kidolgozni a még szükségesnek tűnő származtatott adatokat.

Az új rendszer modelljének kidolgozásaA véleményekre támaszkodó elemzési munka eredménye az a részletes elvárásrendszer, melynek az új MIS eleget kell, hogy tegyen. Minél részletesebben kerül kidolgozásra, annál több hibaforrásra derül fény.

Már a vélemények begyűjtésekor ki kell térni arra, hogy ki, milyen hasznot remélnek a megkérdezettek az új MIS-től, mely értékeket, tendenciákat az elemzés során ellenőrizni kell a lehetségesség szempontjából. A vélemények értékelésénél figyelembe kell venni azt is, hogy a beosztottak munkahelyük megtartása érdekében mindenre igent mondhatnak, amit elvárának éreznek a felsőbb szintekről, anélkül, hogy tényleges haszon keletkezne.

Ebben a szakaszban tehát meg kell, hogy történjen a hasznosság összefoglaló értékelése, mely nagyjából már jelzi rendszerfejlesztés maximálisan költségeinek szintjét.

Az alrendszerek működésének tervezéseEz a szakasz felelős a projekt tényleges megvalósulásáért. Itt merülnek fel az alternatív megoldások és itt kell limitálni a kidolgozásra szánt időt. A technológiai lépések: inputok definiálása, adatbázisok, fájlok kidolgozása, feldolgozási műveletek és az outputok meghatározása, hardver és szoftverigény megadása, futtatási tapasztalatok és gépidő vizsgálata, titkosság, hozzáférési jogosultságok tisztázása, stb.

Ideál: Az adattárolás egy tetszőlegesen bővíthető struktúrában történjen, mely egyidejűleg jól átlátható és gyorsan kezelhető (antagonisztikus elvárások). A feldolgozás erre az egységes adatmodellre támaszkodjon és ide rakja le eredményeit. Fontos, hogy minden feldolgozás úgy legyen dokumentálva (help), hogy az összes felhasznált alapadat (dátummal együtt) és feldolgozási lépés követhető legyen, különben elveszti hitelességét az eredmény. A feldolgozási lépések száma tetszőlegesen bővíthető legyen (probléma: részeredmények tárolása helyigényes, de esetleg új számításoknál gyorsítja a felhasználást).

Az alrendszerek fizikai tervezéseItt fontos a megbízható, de olcsó és átlátható megvalósítás, mely magától értetődően antagonisztikus ellentétek forrása.

169

26.3.4. Megvalósítás

BevezetésA szükséges ismertek és a motiváció biztosítása elengedhetetlen. A bevezetés ideális esetben nem egyik napról a másikra történik, hanem a fejlesztési fázisba való bevonás előzi meg.

KarbantartásA legfontosabb lépés, hiszen a rendszer kidolgozásának fázisában csak azokat az igényeket lehet felmérni, amelyek az adott időpontban jelentkeztek. A versenyhelyzet új szituációkat teremt, azaz új adatigények támaszt. A dinamikus karbantartás gyakorlatilag nem más, mint egy állandó, kis volumenű rendszerfejlesztés, vagyis egy visszacsatolás és újrafuttatás az igényfelméréstől kezdve.

26.3.5. Összegzés

Mint látható, rendelkezünk olyan sémával, mely alapján tetszőleges igényeknek megfelelő rendszer konstruálható lenne. Hogy a rendszerek zöme még sem sikeres, annak oka feltehetően nem, ill. nem csak technikai oldalon van, hanem sokkal inkább az emberi tényezőben keresendő. Ha tudjuk, mit, mikor akarunk tudni, már csak a kivitelezés költségei szabnak határt a IR fejlesztésének.

26.3.6. Ellenőrző kérdések

Melyek az informatika erőforrásai? Milyen fázisokból áll a rendszerfejlesztés folyamata?

26.4. Kibernetikai MIS-modell

A következőkben Wassermann újszerű gondolatokat felvető modelljét szeretném bemutatni. Az alábbi, teljes egészében elméleti jellegű fejtegetés már átvezet a MIS modern szemléletű megközelítéséhez.

26.4.1. Elméleti alapok

A szerző bevezetésképpen megerősíti azt az eddig már többszörösen felemlegetett gondolatot, miszerint információs rendszerek a feladatok komplexitásához mérten a gyakorlatban nem léteznek. Csak leíró jelleggel vagyunk képesek a rendszer elemeit és ezek kapcsolatait feltárni. A valóságban hiányoznak a megfelelő tartalmi pontossággal és automatizmusokkal rendelkező fejlesztési módszerek, illetve magának az információnak valódi segítséget jelentő (esetleg mérhetőséget biztosító) definíciója. A létező rendszerek a Data Support szintjén mozognak. A modellekre támaszkodó Decision Support szint azokban az esetekben, ahol az emberi észlelésekre való támaszkodás fontosabb, mint az adatokra való hagyatkozás, jelen ismereteink szerint nem érhető el, (s feltehetően nem is szükséges).

A MIS kibernetikai modellje az információs folyamatok magas fokú dinamikájából indul ki. A mai üzemi gyakorlat szervezeti diagramokra, információáramlásnak magasztalt adatáramlási folyamatábrákra támaszkodó rendszerfejlesztési koncepciói semmit nem mondanak arról, hogy hol és hogyan, illetőleg valóban keletkezik-e információ (többletérték) a rendszerek működése során. Ezenkívül maga az egyedi döntési folyamat modell szinten nem kezelhető, nem is beszélve a csoportos döntések mibenlétéről.

A másik kiindulási pont a biológiai analógia. A biológiai szervezetek önszerveződőek. Ez az információs folyamatok szempontjából azt jelenti, hogy minden egység (sejt, szerv) a többivel állandó, hierarchia mentes, nyitott és „őszinte” kapcsolatban van. Minden egység a valóságot tudja a valóságról. A szervezet globális optimuma nem parancsra, hanem az önszerveződés eredményeként alakul ki (szimbiózis, közös jó).

170

A világ gazdasági szerveződése is egy hasonló elvet követ. Csak a közös érdek képes egy szerveződést fenntartani. S éppen ezért tűnik nonszensznek, hogy a vállalatokon belül hierarchikus, hatalmi struktúrák alakulnak ki, melyeknek való megfelelés az információs rendszerek eddigi célja volt, ahelyett, hogy az önszerveződés bevált elvét követték volna.

A biológiai és a világgazdasági rend azonosságától való eltérés a vállalkozások szintjén rengeteg erőforrást felemészt úgy, hogy nem is vesszük észre.

26.4.2. Célirányosság

A kibernetikai modell célja a döntéshozatal támogatása. Támogatni azonban csak olyan döntési folyamatot lehet, melyben a célok világosak. Csak így lehet ugyanis különbséget tenni a döntések helyessége, illetőleg jobb és rosszabb következmények között. A feladat nem más, mint adott célfüggvény esetén a múltra-jelenre és a jövőre vonatkozó elképzelések bázisán levezetni (szimulálni) majd értékelni a döntési alternatívák hatásait.

26.4.3. Tudás és állapot

A modellben az absztrakció szintjén megkülönböztethető tudást és állapot fogalma. A tudás segítségével vagyunk képesek a kiindulási és eredményállapotok közötti kapcsolatot, a döntési lehetőségeket megtalálni. A döntések nyomán kialakuló állapotváltozások visszahatnak a tudásra oly módon, hogy ennek célszerű újrastrukturálását kényszerítik ki. A modell tehát attól válik kibernetikai jellegűvé, hogy időben eltérő állapotokkal (jelen+múlt vs. jövő) képes a tudás nyújtotta komplexitáskezelő képesség (hozzárendelőképesség) révén manipulálni, s mindezt ráadásul úgy, hogy maga a tudás is dinamikusan módosítható (hozzárendelési folyamat állandó aktualizálása).

A kibernetikai modell (ill. a MIS) létjogosultságát az adja, ha képes az emberi intuitív tudásképződés (állapotkiértékelés, hozzárendelések újrastrukturálása) folyamatát jellemző kapacitáshatárokat áttörni. Ennek feltétele – figyelembe véve, hogy a döntés maga az ember kezében marad – az, hogy a modellben egyre több emberi tudás kerüljön gépileg kezelhető formában letárolásra (heurisztikák).

A tudás különböző kérdések megválaszolási képességét jelenti, mint pl.: milyen, dinamikusan változó alapadatokra van szükség ahhoz, hogy az alkalmazkodás (döntéshozatal) a

célokat hatékonyan legyen képes szolgálni (vö. NYI, l. később), mennyiben lehet az adatok körét automatikusan meghatározni (véletlen konfrontáció szerepe) és

mennyiben marad emberi feladat a szelektálás, ha nem emberi feldolgozási módszerek dominálnak, hogyan kezelhetők az alapadatok a hitelesség szempontjából, (félrevezetés, dezinformáció), honnan származnak a vizsgálandó hipotézisek (ember és/vagy gép), hogyan kell az adatokat feldolgozni, hogyan kezelendők a kiértékelés szempontjainak, azaz a céloknak a dinamikus változásai, (hiszen stabil

célrendszer nincs), hogyan lehet a folyamatot időben egyre helyesebbé tenni?

A kérdések kapcsán felmerülő gondolatok:

A feldolgozandó adatok köre az emberi feldolgozás esetén véletlenszerű és bizonytalan. Idő és költség vonatkozások miatt nem gyűjthető tetszőleges mennyiségű adat. A gyakori attribútumváltás (mérési eljárás váltása) az analógiák felismerhetőségét, az idősorok hosszát korlátozza. Az emberi észlelés akkor is dominál, ha a mérések olyat is nyújtanak, ami emberi érzékszervekkel nem észlelhető.A meglévő elektronikus formában létező adatok gépi feldolgozása sürgető és lehetséges feladat. Különben előállhat az a helyzet, hogy takarékosságra hivatkozva megszakad a folytonos adatgyűjtés, ami a feldolgozási módszerekkel szemben gyakran teljesíthetetlen követelményeket állít (pl. hiányok becslése).

171

Az adatok hitelességének vizsgálata egyrészt módszertani kérdés, másrészt az első és legfontosabb hipotézis.

A hipotézisek, mint ahogy a célok az emberi intuíció termékei. Már az is nagy eredmény, hogyha ezek beigazolásához, elvetéséhez szükséges adatok és módszerek gépileg kezelhetők. A gyakran hasznosnak bizonyuló hipotézisek esetlegesen automatikusan is vizsgálhatók megfelelő módszerek kidolgozása után (pl. trendek).

A feldolgozási módszerek köre és színvonala a módszertan fejlődésének minden nehézsége ellenére bővül. A legújabb tendenciák éppen napjainkban egy áttörés lehetőségét vetik fel, mely gyakorlatiasan megoldhatóvá teszi a hozzárendelési problémák nagy részét, azonban oly módon, hogy a megoldás az eddigi kauzális (ok-okozati) világképünkbe nem feltétlenül illeszthető bele, ezáltal egyfajta hitelességi problémát okozva a felhasználóban.

A célok jelentik feltehetően a legkritikusabb pontot minden emberrel kapcsolatos kérdésfeltevésben, hiszen az emberi önvédelmi mechanizmusok a következetlenséget eszközként használják az emberi pszihé védelmében, így biztosítva a megoldások és a sikerélmény állandó lehetőségét.

Az egyre helyesebbé váló rendszer elvárása feltehetően álom. Ennek egyik bizonyítéka az emberi problémakezelés évezredek óta stagnáló színvonala (l. társadalmi problémák). Másik ellenérv lehet, hogy a rendelkezésre álló adatsorok (idősorok) hossza korlátozott, illetőleg az attribútumok száma elenyésző és divatjellegű. Így tetszőleges hosszú távú tendenciák (pl. új jégkorszak) eleve nem ismerhetők fel (hiába tudunk minden új adatot figyelembe venni a hozzárendelési problémáknál, hiszen pl. attól még nem tudunk többet egy növény szárazságtoleranciájáról, ha milliomodköbcentis öntözési különbségekkel parcellákat állítunk be egy kísérletbe, mert egy kellően helyes interpolációhoz a köbcentis adagok is elegendőek lennének), nem beszélve a problémák új aspektusairól (lehet, hogy mindig is volt pl. ózonlyuk-dinamika). Ellentmond az eddigieknek a technikai haladás ténye: Amennyiben az eddigi tudás formalizálható, azaz tetszőleges pontossággal átörökíthető a következő generációkra (a technika esetében a formalizmus a matematizálás, ill. a berendezésekben testet öltött tényszerű archiválás), úgy a fejlődésnek (módosításoknak, finomításoknak) a továbbiakban nincs elvi akadálya.

Azonban, ha az ismeretek az érintettek halálával sírba szállnak, ill. az oktatás, publikálás révén csak korlátozott reprodukálhatósággal állnak rendelkezésre, úgy mindent előlről kell kezdeni az új generációknak, azaz felhalmozásról, tökéletesedésről szó sem lehet.

A kibernetikai modell tehát ismét csak arra a következtetésre vezet, hogy a feladatok zöme – megfelelő módszerek hiányában – nem kezelhető gépileg. A lehetséges részfeladatok gépi megoldása már önmagában is nagy eredmény. Azonban még ezek sem integrálhatók mindaddig az emberi döntési folyamatokba, míg a potenciális alkalmazók módszertani ismeretei nem kerülnek összhangba a tudományos eredményekkel. Az összhangot biztosítani az oktatás, továbbképzés tudná, ha ezt tudatosan célul választja.

26.4.4. Ellenőrző kérdések

Melyek a kibernetikai MIS-modell kiindulási tézisei? Mely alapfogalmakra támaszkodik a modell? Milyen problémák merülnek fel a tudás fogalma kapcsán?

26.5. Tevékenységorientált MIS modulok, mint informatikai irányzatok

Eddig szinte minden fejezetben felmerült a külvilág által kikényszerített intuitív emberi igényekhez dinamikus adaptációt biztosító modulok (adat+módszer) megteremtése. Az alábbiakban egy átfogó gondolatkör, mint jövőbe mutató megoldás kerül bemutatásra.

172

A MIS-ekkel kapcsolatban eddig fény derült arra, hogy nem szabad, hogy kényszerűen azt az érzetet keltsék, hogy már a gépben eldőlt minden, vagyis nem a

gépi döntés szimulálása, hanem az emberi intuíció impulzusokkal való támogatása a főcél, melyet csak parciális esetekben lehet a matematikai optimum keresésével kiegészíteni,

az ember számára hiteles és érthető formákat kell, hogy használjanak, melyeket a tartalommal együtt maga a felhasználó kell, hogy definiáljon,

relatíve hosszú időtávra vonatkozó ill. komplex folyamatokat érintő döntéseket kell, hogy alátámasszanak,

olyat kell, hogy nyújtsanak, ami számítógép nélkül nem, vagy csak lényegesen lassabban, költségesebben valósítható meg.

A felsorolt elvárásokból az elsőt magától értetődően bármikor ki lehet elégíteni, csak kellő mértékben redukálni kell az alkotói fantázia szabadságát. A MIS csak az elektronikus formában tárolt adatokra tud visszanyúlni, az emberi észlelésből adódó impulzusokat nem tudja feldolgozni. Így az alkalmazó még akkor is szubjektív fenntartásokkal élhet a MIS által prezentált eredményekkel szemben, ha ezek komplexitása tudományosan nézve elfogadható.

A második pont arra mutat rá, hogy fogadókészség, azaz metaismeretek (válasz a „mit is kezdjek bizonyos impulzusokkal” kérdésre) nélkül nincs alapja a MIS-nek. Ezen a képzés, tanácsadás aktívan változtathat. A tartalmi érthetőség mellett fontos a formai érthetőség, mely az ember-gép kapcsolati formák továbbfejlesztésével javítható.

A harmadik pontot a tudományos terminológiából a rendszerelmélet, a szimuláció, a modellezés, a tervezés, illetőleg a prognosztika és a futurológia próbálják lefedi. S ezzel át is léphetünk a címben felsorolt modulok definiálására, majd a definíciók után ezek többletértéktermelő képességeire a negyedik pontnak megfelelően.

26.5.1. Modulok

Az időinformatika (röv. II) modul koncepciója – ugyan némileg más szempontból, de – már az I. részben is említésre került. Az II nem más, mint az előzőekben felsorolt tudományterületek egymáshoz szorosan illő elemeiből gyúrt egységes egész. Az II új matematikai módszerekre támaszkodva (pl. neuronális hálók, generátormodellek) képes tetszőleges idősorokban és a közöttük meglévő kapcsolatokban megbújó összefüggéseket esetlegesen már automatikusan is felismerni, s ezek alapján előrejelzéseket eddig – úgy emberileg, mint módszeresen – elérhetetlen megbízhatósági szinten megadni.

Az időinformatika-modul input oldalon elektronikus formában tárolt idősorokra támaszkodik. A módszertani sokszínűség lehetővé teszi ezek feldolgozását akkor is, ha részlegesen hiányosak. A felhasználói hipotézisek a kiindulási mátrixok (tér-idő-attribútum) definiálásában központi szerepet kapnak, különösen azért, mert egy minden ismert adatot egységes elvek szerint felkínáló mamutadatbázis nem adott. Az emberi összefüggés-keresés folyamata nem algoritmizálható, s ebből következően pl. nem javítható tetszőleges pontosságúvá, ill. komplexitáskezelési képessége a szubjektum motiváltságának függvénye. Ezzel szemben a gépi összefüggések állandó potenciál mellett, ellenőrzött pontosságúak, ismert és ezért hosszútávon veszteség nélkül bővíthető tartalmúak.

Az II felelős alapvetően a környezethez való alkalmazkodásért. Az II akkor hatékony, ha a vállalkozáson kívüli adatbázisok mindegyikével kapcsolatban áll. A kapcsolattartás magas szintű emberi koordinálást igényel, esetlegesen automatizálható. Az II megteremti egy az intuitív és zömmel öntudatlan jövőkép mellett az objektív (célfüggetlen) tudás és az objektív jövőkép alapjait. (Ha tudjuk, hogy az egyes döntéseknek mik lesznek a várható következményei, akkor az alternatívák közötti választás labilis célrendszerek mellett is felelősségteljesebbé válhat.)

Hasonlóan az időinformatikához minden a következőkben bemutatandó modul az emberi szellemi képességekhez, ill. manuális emberi cselekvéshez képest többet tud nyújtani.

173

Az időinformatika kapcsolódása a térinformatikával (TI), mint egy másik önálló modullal szembeötlő. A különbség a két terület között abban áll, hogy míg a térinformatikai koncepció önmagában nyilvántartási jellegű, addig az időinformatika feldolgozás-orientált. A térinformatika pozitívuma az ember számára reménytelenül nagy mennyiségű adat tárolni és megjeleníteni tudásában rejlik (asszociációserkentés).

A nyilvántartási informatika (NYI) a térinformatika és az időinformatika eredményein túlmutató, átfogó megfogalmazás, amennyiben az NYI nem csak statikus, térbeli koordinátákkal jellemezhető objektumokat, hanem dinamikusan keletkező, változó és megszűnő objektumokat is kezelni tud (pl. vállalkozások, jogszabályok). Az nyilvántartási informatika (technikailag támogatott dokumentáció) felelős az adatbázisok (mért, megfigyelt, származtatott, levezett és előrejelzett) megteremtéséért, fenntartásáért.

Minden, a NYI keretében nyilvántartott adatokat továbbfeldolgozó gondolat egységes keretek között kezelhető, hiszen feldolgozás (hozzárendelés) lényegében csak egyféle van: adott kiindulási állapothoz kell tudni hozzárendelni releváns következményállapotokat. (Következmény alatt nem feltétlenül ok-okozati kapcsolatokat kell csak érteni, pl. ha ismertek a morfológiai jegyek, meg kell tudni mondani az állatfajt – vö. szinonimák).

A hozzárendelési informatika (HRI) tehát magába foglalja az időinformatika módszertanát, mely az ismert múltbeli tények (állapotok) alapján a jövőhöz rendel hozzá értékeket, illetőleg a származtatott informatikát (SZAI), ahol is tényadatokra támaszkodva, mintegy önkényesen új attribútumok, (pl. mutatószámok) kifejezése a cél. A HRI harmadik területe a szinonimainformatika (SZII), mely az előbb említett állatrendszertan példáját alapul véve, egy adott jelenség egyidejűleg létező attribútumainak részleges ismeretében a hiányzó tulajdonságokat képes levezetni (pl. szakértői rendszerek).

A HRI minden alfaja az NYI-ra épül, illetőleg ezt aktualizálja. Mindegyik feldolgozási mód adatokat állít tehát elő, ily módon stimulálva az emberi döntéshozatal intuitív folyamatát. Azonban módszertani szempontból mindegyik ugyanazon sémára épül, s éppen ezért szükség szerint automatizálható.

A HRI alapsémája a rendszerelmélet és a kombinatorika keveréke. A hozzárendelések matematikai értelemben függvények. A hozzárendelés folyamata pedig nem más, mint a keresés. A keresés feltételezi azt, hogy (ha már a kezünkben van) fel tudjuk ismerni a helyes (leghelyesebb) megoldást. Amennyiben tehát rendelkezésre bocsátjuk a valósághűség kimutathatóságáért felelős adatokat, ezenkívül kombinatorikailag meghatározzuk az átkutatandó függvényhalmazt (potenciális függvényeket) és megadjuk a lehetséges megoldások értékelési szempontjait, akkor legrosszabb esetben véletlen tapogatózással, de esetlegesen okosabb keresési stratégiákra támaszkodva (evolúciós stratégia) akár célirányosan is eljuthatunk a legjobb közelébe, ill. magához a legjobb hozzárendeléshez. Erre a szisztematikus és dinamikusan aktualizálható munkára egyetlen ember sem képes. A legjobb hozzárendelés értelemszerűen csak az ismert adatok és a megadott értékelési szempontok (világkép) alapján a legjobb, soha nem abszolút értelemben. Az összefüggések birtokában levezetett adatkonstellációból csak az ember képes komplex céljainak megfelelően veszélyek, lehetőségek és cselekvési utak felfedezésére. Ha a célok egyetlen skálává alakíthatók, akkor természetesen gépileg is támogatható az optimalizálás. Ez azonban ritkán vezet emberi szempontból értelmes eredményekre.

26.5.2. Kritikus pontok

A MIS fejlesztése a fentiekből következően több kritikus ponttal rendelkezik: adatalapok minősége, mennyisége (az informatika anyagi erőforrása), módszertani lehetőségek (az informatika szellemi erőforrása, valóságkép, célirányosság), egyéni emberi tényezők (képességek, ismeretek, motiváltság, tudatosság, metatudás-fogadókészség), társadalmi tényezők (közös érdek, kölcsönös bizalom), technikai adottságok (relatív gyorsaság, pontosság, megbízhatóság), gazdasági viszonyok (erőforrások értékarányai).

174

A különböző szempontok egyidőben eltérő színvonalon állnak rendelkezésre. Az elérhető eredményt feltehetően a legkevésbé kielégíthető komponens limitálja (vö. Liebig-féle minimum elv). A MIS fejlesztése előtt, s alatt állandóan vizsgálni kell, melyik tényező az, amely leginkább szűk keresztmetszet gyanús. Amennyiben a szűk keresztmetszet időben felfedhető, messzemenő következtetéseket lehet levonni, a MIS várható hasznosságát illetően. A döntési illetőleg a menedzsmentfunkciók egymás közötti és ebből következően a MIS-modulokkal való kapcsolata sokrétű és bonyolult.

A célok meghatározása a szubjektív vonatkozásoktól eltekintve a jövőbeli lehetőségek és fenyegetések, illetőleg az ellenőrzés során feltárt hiányosságok függvénye. A lehetőségek és fenyegetések primer adatait az II hivatott szállítani. A jövőkép továbbfeldolgozása azonban már a SZAI és az SZII területe. Hasonlóképpen az ellenőrzés az NYI primer TÉNY-adataira támaszkodva, az SZII és a SZAI feldolgozási fázisain keresztül stimulálhatja új impulzusokkal az emberi kreativitást.

A tervezés, az akciók és akciósorozatok meghatározását jelenti és jövőre irányultsága révén az II-től kell, hogy elsődlegesen támogatást kapjon. Az II az a feldolgozási profil, mely képes a „mi lesz, ha – mi lenne, ha” kérdésekre választ adni. Az II logikája a múltban előfordult analóg esetek elemzésére, a bennük rejlő hasonlóságok feltárására alapoz, így minden pillanatban direkt kapcsolatban áll az NYI-val.

A döntéshozatal maga tipikus emberi aktivitás, azonban célfüggvények megadása esetén az II által szállított, emberileg ellenőrzött és módosított következményértékek birtokában a SZAI-n keresztül a cselekvési alternatívák rangsorai mindenkor gépileg is kezelhetők.

A tervezés részletességétől függően a végrehajtási utasítások többé-kevésbé készen állnak. Általában a menedzsment szintjén utasításként keretfeltételek kerülnek megadásra, melyeken belüli optimum az operatív döntések körébe tartozik, módszertanilag azonos lépéssorral, csak részletesebb adatokkal, mint azt a stratégiai tervezésnél már láthattuk.

Az ellenőrzés tevékenységének alapja a nyilvántartások létezése (NYI). Az alapadatok megléte esetén mind a SZAI, mind az SZII típusú feldolgozásra szükség lehet a gyenge pontok feltárásához.

Az egyes MIS-modulok további részekre bonthatók, melyek konkrét kérdésfelvetésekhez keresik a legjobb választ. Így valódi alapegységnek a kérdések tekinthetők, melyek egyedisége olyan nagy fokú, hogy kezelése a itt lehetetlen. S pont ez mutat rá a korábban is már felvetett problémakatalógus (igények, információmenedzsment), illetőleg a kapcsolódó megoldást kínáló módszerek katalógusának elkészítésének szükségszerűségére.

A tudományos eredményeket e szempontból vizsgálva kijelenthető, hogy ez a típusú katalogizálási munka gyakorlatilag nem folyik. Rengeteg probléma kerül egyedileg megoldásra, mely megoldásokat szinte soha, senki nem ellenőriz, s nem próbál továbbfejleszteni.

Másrészt azonban éppen a módszertani oktatás kapcsán megfigyelhető egy bizonyos fokú tipizálási munka, mely legalább az adott módszerrel megoldhatónak vélt problémákat igyekszik összegyűjteni, igaz azon az áron, hogy a tudományos munkák zöme nem a jobb megoldást keresi, hanem az analóg problémákat.

Ezért hiányzik tehát az adott problémát eltérő módszerekkel megoldó törekvések versenyeztetése. Enélkül soha nem jutunk el oda, hogy referenciaértékű kijelentéseket tehetnénk az egyes problémák megoldási biztonságát illetően. A felhasználó szempontjából pedig érdektelen, hogy egy módszerrel mennyi minden oldható meg, ha ezek egyike sem képes felülmúlni a csak emberi képességekkel elérhető eredmények színvonalát. A módszerorientált világkép statikus. A módszert egyszer elsajátító ember érdekeinek védelmét szolgálja. A feladatcentrikusság megkövetelné, hogy több szakterület működjön együtt időlegesen egy-egy kérdésre vonatkozó válaszadási pontosság tisztázása érdekében.

175

Így nem szakterület-specifikus, hanem kérdésspecifikus problémákat taglaló konferenciákat (versenyeket) kellene tudományos oldalon szervezni ahhoz, hogy a gyakorlati szakemberek választ kaphassanak a számukra fontos kérdésre: lehet-e jobban csinálni valamit, mint most, s mennyibe kerül ez? E versenyek eredményeit kellene részletekbe menően és reprodukálhatóan dokumentálni, valamint a következő versenyek tárgyát képező kérdéseket katalogizálni. Ez megteremtené az alapot az értelmes tudományos témaválasztáshoz. (Szélsőséges értelemben csak azt a személyt lehetne adott fokozattal ellátni, aki egy katalogizálásra érdemes problémát felismer és/vagy helyesebben megold, mint az eddigi legjobb. Így a tudományos cím is dinamizálható lenne, hiszen, aki egyszer első volt valamiben, azt várhatóan és a fejlődés reményében előbb-utóbb valaki megelőzi. A „címvédő” azonban bármikor visszavághat a mindenkori első helyezett munkájának tökéletes ismeretében. A sporthoz való analógia itt nem tagadható.)

A tudomány, s ebből következően a szaktanácsadás és az információs rendszerek is akkor hasznosulnak hatékonyan, ha a cselekvési alternatíváink következményeit egyre pontosabban tudják levezetni. A tudomány tehát nem a helyes döntésekért, hanem az egyre pontosabbá váló következményképekért felelős. S ez a tevékenység az információ fogalmát mérhető, ellenőrizhető alapokra helyezi.

26.5.3. Ellenőrző kérdések

Milyen informatikai modulok léteznek? Hogyan függnek össze az egyes modulok egymással? Milyen kritikus pontok hátráltatják a MIS fejlődését?

176

27. A számvitelszervezés informatikai aspektusai

27.1. Fogalmak és összefüggéseik

27.1.1. Bevezetés

Az alábbi jegyzetrész az általános gazdasági informatika elvek alapján (ezek szükséges mértékig történő kifejtésével, lehetőség szerint példákkal való kiegészítésével, a számvitelszervezés egyedi kérdéseinek feltárásával) igyekszik áttekintést adni a pénzügy-számviteli képzés (különös tekintettel a számvitelszervezés) keretében az információs technológiák (IT) alkalmazásával kapcsolatos elméleti és gyakorlati lehetőségekről, felmerülő problémákról és ezek kivédésének módjairól. A jegyzetrész nem tér ki részletesen a pénzügy-számviteli képzés egyéb, szorosan az IT-alkalmazáshoz kötődő témaköreire (elemzések esetében: pl. hitelképesség, csődelőrejelzés, ill. controlling, benchmarking, e-banking, e-kereskedelem, e-business, EDI, CRM, folyamat- és gyártásautomatizálás, stb.).A jegyzetrész két fő egységre tagolható: egyrészt a legfontosabb fogalmakat és összefüggéseket kiemelő első részre, ill. egy általános döntéstámogató gondolatmenetet a számviteli kérdéskörre adaptáló második részre.Az ajánlott irodalmak az első rész végén, ill. a szöveg kapcsolódó pontjain találhatók. Az ajánlott irodalmak online, ill. a Magyar Internetes Agrárinformatikai Újság CD-jén (2003) megtalálhatóak. Kivételt képez ez alól a rövidítések jegyzéke: mely szolgáltatás állandóan frissülő online címe: http://miau.gau.hu/services/roviditesek.xls Azon informatikai fogalmak, melyek jelen jegyzetrészben nem kerülnek részletes kifejtésre, szerverkereséssel online, ill. a CD-n szintén további irodalmakkal támogathatók.

27.1.2. Számvitel vs. Döntéstámogatás

A számviteli munka szervezésének elsődleges kényszere az adott gazdasági szervezet törvényi kötelezettségei alapján lép fel. A számvitel tehát közvetlenül nem képezi részét a nyereségérdekelt gazdasági tevékenységeknek, ill. a számviteli előírások betartása önmagában még nem járul hozzá a döntéstámogatás (tervezés, controlling, stb.) magasabb szintű támogatása. Ebből következően a számvitelszervezés elsődleges célja, hogy a mindenkori előírásoknak megfelelő jelentések, kimutatások (pl. mérleg- és eredmény-kimutatás, ÁFA-jelentések, stb.) elkészítését a leghatékonyabban (a legkevesebb erőforrás lekötése mellett) biztosítsa.Minden egyéb, a gazdasági szervezet döntés-előkészítését szolgáló, a számviteli alapfeladatokat kiegészítő, ezek eredményeit tovább-hasznosító célok (EDI, e-banking, e-kereskedelem. OLAP for controlling, külső információs rendszert is feltételező benchmarking, CRM, stb.) optimális kielégítése önálló döntési problémaként jelentkezik, ahol elvárható, hogy minden egyes, a döntéstámogatás érdekében felvállalt ráfordítás legalább annyi hasznot kellene, hogy hajtson, mint amennyibe került (vö. információs többletérték).Mivel a törvényi kötelezettségek teljesítése és az erre épülő, ezt kiegészítő döntéstámogatási feladatok a mindennapok során (külön munkakörök hiányában) úgy az emberi erőforrások, mint (párhuzamos IT-rendszerek értelmetlensége miatt) a szükséges (IT-) infrastruktúra tekintetében egymásba olvadni látszanak, a továbbiakban a jelentős motivációs különbségek ellenére informatikai szempontból alapvetően egységes jelenségként érdemes kezelni a számvitelszervezés és az általános döntéstámogatás kérdését.A továbbiakban azokat az alapelveket kívánjuk ismertetni, melyek a számvitelszervezéshez (ill. a döntéstámogatáshoz) kötődő információs rendszer-bevezetések és -fejlesztések alapjait jelentik (ill. kellene, hogy jelentsék).

177

27.1.3. Számítástechnika vs. Informatika

A számvitelszervezés szempontjából (is) a számítástechnika, (vagy szinonimaként az információs technológia) azon alapvetően hálózati, lokális, szoftver-eszközöket jelenti, melyek ideális (hatékony) kombinációját kell adott feladat esetén megtalálnia az informatikus szakembernek.A számítástechnika (IT) tehát számos cél érdekében, különböző hatékonyság mellett eszközkombinációkat kínál, vagyis megmutatja: mit lehet tenni általában. Míg az informatika ezen kombinációkon belül keresi az optimálishoz közeli verziókat.

27.1.4. Az informatikai erőforrásai

Az informatika elsődleges erőforrásai az adatok, (pl. matematikai, szervezési) módszerek, valamint a technológia (az IT). Másodlagos erőforrásai az egyén (az úm. „szakértői” tudás) és az emberek szerveződései (kooperáció). Mint látható az IT csak egy (bár karakterisztikus) szelete az informatikának. Az informatika tehát egyfajta világnézet, mely értelmében a rendelkezésre álló nem IT-jellegű erőforrásokat és az információs technológiákat úgy kell kapcsolatba hozni egymással, hogy adott célok esetén a végeredmény hatékonyabb (jelen esetben számvitel-szervezési megoldást) jelentsen, mint IT eszközök nélkül. A számvitelszervezés informatikai megközelítése tehát nem az információs technológiák számviteli folyamatokba kényszerítését célozza, hanem az IT-mentes megoldások fokozatos, gazdaságilag indokolt kiváltásának lehetőségeit keresi. S mivel minden gazdasági szervezet más-más környezeti és belső jellemzőkkel bír, az IT bevezetése a számviteli folyamatokba mindenkor egyedi vizsgálatokat és egyedi megoldás-kombinációkat igényel. Az IT bevezetése (a divatos integrált információs rendszer fogalomtól függetlenül, de trendként nem elvetve azt) az egyedi eszköz, egyedi szoftver beszerzéstől, telepítéstől, fejlesztéstől, az egyedi képességszerzésen, a paraméterezhető, „dobozolt” megoldásokon át, egészen e-business mindent magába foglaló és mindent behálózó „falanszteréig” terjedhet.

27.1.5. Hatékonyság vs. Hatásosság

A számvitel és a döntéstámogatás megkülönböztetése rávilágított arra, hogy míg a számvitelszervezés a már megfelelő hatású (hatásosságú) megoldások közül keresi a legkedvezőbbet, addig a kiegészítő, integráló megoldások a megtérülés elve (hatékonyság, információs többletérték) alapján rangsorolandók. A hatásosság, mint központi döntési kritérium esetén elsődlegesen tehát azt kell vizsgálni, vajon az adott erőforrás-kombinációk és szervezeti szabályzatok eredményeként előáll-e határidőre, a megadott tartalommal és formában a szükséges (a törvényi kötelezettségekben körülírt) jelentés, kimutatás úgy, hogy a számviteli rendszer tartósan üzemeltethető, vagyis jól illeszkedik a gazdasági szervezet adottságaihoz (emberi, infrastrukturális tényezőkhöz vö. „fenntartható gazdálkodás”). A napi tapasztalatok (különös tekintettel a hatósági ellenőrzések, statisztikai jelentések során megfigyelhető jelenségek) alapján azonban kijelenthető, hogy a törvényi szabályozás közel sem olyan pontos, hogy a számviteli folyamatok szervezése során felmerülő minden egyes kérdésben világos támpontot adjon. Így sok esetben a hatásosság elve nehezen definiálható, még nehezebben érvényesíthető. Például a bevételek SZJ-bontás szerinti megadása a KSH számára, ill. APEH ellenőrzés, vagy speciális pályázatok esetén a termelő egységek, termékek szerinti ráfordítások kimutatása nem következik szervesen minden számlatükörből. Hasonló a helyzet például a biztosító társaságok esetén, ahol az ÁFA-csoportosítás nem feltétlenül ismeri pl. az arányos ÁFA-visszaigénylés (mára valóban fehér hollóvá váló) esetét, mely során a vissza nem igényelhető ÁFA a károsult gazdasági szervezet részére kárösszeg-kiegészítésként a gazdasági év zárását követően utólag átutalandó, hiszen különben ez az összeg ráfordításként terhelné a gazdasági szervezetet ellentétben a nem arányos ÁFA-elszámolás esetével). Az ad hoc felmerülő igényekhez való alkalmazkodni tudás így egyben átvezet a döntéstámogatás jellegű kiegészítő, integráló – vagyis a hatékonyság elve alapján tervezendő – kérdéskörhöz, hiszen a törvényileg nem világosan lehatárolt kényszerűség és a mindennapok működését könnyítő ésszerűség számos esetben összefügg egymással.A hatékonyság vizsgálata esetén elvárható, hogy úgy a tervezett intézkedések költségvonzata, mint a várható hatásai előre minden egyes alternatíva esetén jól feltérképezhetők, s ezek alapján a legjobb

178

megoldás megtalálható. A Gazdasági Informatika Tanszék vállalati információs rendszer (ERP) témakörben végzett, több száz projekt részleges adatait feldolgozó vizsgálatai (http://miau.gau.hu/miau/60/index.html) alapján kijelenthető: míg az (IT) alvállalkozói szerződések és az eszközbeszerzések miatt a költségoldal viszonylag pontosan felvázolásra került, addig az alternatív megoldások várható hatásai csak közhelyszerű szövegpanelekkel fedhetők le (pl. nő a vállalkozás reagálásának gyorsasága és hatásossága ad hoc kérdések felmerülése esetén). Ebből sajnos az következik, hogy úgy a kellő pontossággal körül nem írható hatásosság, mint az előre még kevésbé jellemezhető hatékonyság miatt a gazdasági szervezetek a számvitelszervezés és a döntéstámogatás informatikai fejlesztési esetén leginkább intuitív, mintsem megalapozott döntéseket hoznak. Ez a jól menő vállalkozások esetén a presztízs-vezérelt gyakori információs rendszercserékkel támasztható alá, míg a tőkeszegény (ill. gyanakvó, vagy egyszerűen csak józan) döntéshozók esetén az ilyen típusú fejlesztésekkel szembeni erőteljes tartózkodás, (a szervetlen, gyors, nagy lépéseket jelentő változások egészséges kerülése) figyelhető meg.

27.1.6. Kritikus informatikai affinitás

A hatékonyság és a hatásosság értékelése során megfigyelhető anomáliák mellett további zavaró tényező az IT-bevezetés kapcsán tapasztalható kritikus informatikai affinitás kérdése. Ez a tapasztalati tétel azt mondja ki, hogy az üzleti folyamatok újraszervezése során (business re-engineering, BR) érintett (informatikai) fejlesztések csak kis hatásfokkal válnak be. Ennek egyik fontos oka abban keresendő, hogy a fejlesztéseket megrendelő gazdasági szervezetek informatikai képzettsége gyakran olyan alacsony, ill. külső, független szakértő bevonásánem tudnak anyagi forrást biztosítani, hogy a megrendelők nem képesek egyenrangú félként fellépni a profitérdekelt beszállítókkal szemben, akik akarva-akaratlanul is kihasználják a megrendelő gyengeségét, s olyan megoldásokat szállítanak, melyek látszatra ugyan kielégítik a szerződéses feltételeket, de gyakran kimutathatóan ötlettelen, gondatlan részmegoldásokkal operálnak. Jogi és fogyasztóvédelmi támogatás ezen esetekre szinte kizárható.

27.1.7. Felelősség

Annak ellenére, hogy a hatásosság és a hatékonyság átfogó megítélése számos esetben csak intuitív módon lehetséges, a témában érintett szakértők felelőssége informatikai szempontból mégis jól kezelhető. Az a jó szakember, aki minél több, minél fontosabb jövőbeli változást (tehát ez esetben a bevezetendő rendszer hatását a vállalkozás tevékenységének egyes elemeire) minél pontosabban meg tud adni előre. Ez a gazdasági (és politikai életet) alapjaiban befolyásoló tétel nem igényel túl nagy nyilvántartási befektetést, az egyértelmű hatásossága miatt azonban legalább annyira veszélyes, mint hasznos eszköz…(Egy információs rendszer fejlesztése esetén a megrendelő és a beszállító közös felelőssége, hogy az érintett munkakörök, alkalmazók ergonómiai, műszaki keretfeltételeit előre átlássa, s ennek megfelelően dolgozza ki az egyes feladatok támogatását. Példaként említhető ez esetben a számlázás (általában az adatbevitel támogatása), mely esetében pl. a vevő rögzíthető szövegként, választható a törzsadatokat legördítő listából, megadható kóddal, az adatbevitel támogatható intelligens hibajavító mechanizmusokkal, ill. kötegelt adatbevitelt lehetővé tevő modulokkal, stb. Minden egyes megoldás más-más embertípus és élethelyzet esetén számít ideálisnak. Érdemes mindenkinek végiggondolni pl. az eltérő filozófiájú hazai és nemzetközi üzletláncok kasszáinál tapasztalható menetrendek különbségeit és ezek okait.)

27.1.8. Projekttípusok

Az információs rendszerek bevezetését célzó projektek két alapvető típusát érdemes megkülönböztetni: egyrészt a saját (ritkán rendelkezésre álló) fejlesztői tapasztalatokra alapozó általában lassú, elhúzódó, bár nagy feladatokat csak esetlegesen felvállaló, speciális tapasztalatok hiányában sikerében kockázatos, a helyismeret és a közös érdekeltség alapján azonban mégis alapvetően alacsony kockázatú fejlesztéseket. Másrészt a külső erőforrások bevonására alapozó, a kritikus informatikai affinitás kockázatával terhelt, zömmel előregyártott, az adott helyzethez csak bizonyos fokig paraméterezéssel igazítható, azonban a kínált modulok tekintetében, a paraméterezés határain belül zömmel kiforrott, a kiegészítő fejlesztéseket jórészt szinte kizáró, ill. rugalmatlanul kezelő, esetlegesen a teljes fejlesztést új feladatként felvállaló, így az első

179

megrendelő kárára tanuló fejlesztéseket kell említeni. A valós projektek a két alapforma kombinációit is kikényszerítik az érintettekből.

27.1.9. Véletlen információk szerepe

Az információtudományból ismert tétel szerint fontos döntések esetén látszatra indokolatlanul nagy gyakorisággal igaz az, hogy döntő információk nem a jól kiépített kommunikációs csatornákon (vö. számviteli, ill. döntéstámogató információs rendszereken) keresztül, hanem úm. véletlenszerűen (vö. elcsípett párbeszédrészlet egy liftben) jutnak a döntéshozó tudomására. A számvitelszervezés, mint törvényileg megalapozott kényszerhelyzet, tehát nem valódi döntési probléma esetén ez a tétel elsődlegesen nem releváns. Azonban a gyorsan változó törvényi helyzethez való alkalmazkodást kiváltó információk terjedésére, vagyis a számvitelszervezés adaptációjára már el kell fogadni a tétel érvényességét. Így a számviteli folyamatok folyamatos átalakítását kiváltó törvényi változások megértését és az ezekre való reagálást (pl. gépjárművek minősítésének kezelését az ÁFA-visszaigénylés szempontjából, egyes alkalmazottak, alvállalkozók munkaügyi státuszának meghatározását) katalizáló kommunikációs folyamatokra valóban igaznak tűnik a véletlen információk aránytalan fontosságának tétele. Ebből következően az információs rendszerek fejlesztésekor az amúgy is nehezen számszerűsíthető hasznosságot szembe kell állítani az autokrata, intuitív, improvizáló vezetési stílus rendszert nem tűrő, sőt a véletlen információk tétele által is támogatott megoldásával, mely lényegében nulla fejlesztési (ugyanakkor rel. nagy kommunikációs és reprezentációs) költség mellett (egy fajta feudális stratégiaként) ma is számos esetben (akár sikeresnek tűnően is) megfigyelhető.

27.1.10. Stratégiai kérdések a számvitelszervezésben

A számvitelszervezés hosszú távú, a költségszintet és az elvárható hatásosságot, hasznosságot (presztízst) befolyásoló alapvető döntései a kialakítani kívánt rendszer integráltságát, online jellegének mértékét, szabványosságát, külső érőforrások bevonásának szintjét érintik.Anélkül, hogy az egyes, felsorolt jellemzők részleteire kitérnénk (hiszen ez más tantárgyak feladat), érdemes mindegyikről rövid ismertetést adni:Integráltság: Egy információs rendszer integráltsága igen szerteágazó tényezőrendszerrel írható le. Ezek közül néhány: milyen mértékben kerülnek bevonásra a gazdasági folyamatok során keletkező adatok, egy adat (eltekintve az esetleges ellenőrzési aspektusoktól) csak egyetlen (keletkezése szempontjából) az első helyen kerül-e rögzítésre (vagyis felléphet-e káros redundancia), a keletkező adatok hierarchikus viszonyai (aggregációs elvei, számlatükör mélysége) milyen mértékben kerülnek definiálásra, mennyire látható át az adatvagyon szerkezete (pl. metaadatbázis, adattárház), mennyire rugalmas a rendszer (paraméterezhetőség vs. új fejlesztési igény), méretezhető-e a rendszer a tranzakciók számának növekedése során, milyen jogosultsági intézkedések definiálhatók (adatszintű, rekordszintű, táblaszintű, ill. egyéb biztonsági szempontok adottak-e: archiválás, tűzfal, vírusvédelem, e-aláírás, kódszó-listák, https, stb.)…Online jelleg: A kommunikáció milyen mértékben zajlik elektronikus formában, hányszor szakad meg a digitális, ill. az adathordozó váltás nélküli láncolat (telefon, fax, posta, futár, ill. CD, floppy, mágnesszalag beiktatása miatt).Szabványosság: mennyi ad hoc emberi döntést, kézi beavatkozást igényel a kommunikáció (pl. újrarögzítés, konszolidálás, kézi szövegszerkesztés, táblázatkalkuláció). A mindenkori adminisztratív dolgozói bérek, ill. a menedzserek juttatásai és az IT-alvállalkozók, ill. egyéb licence díjak arányaitól, az időtényező fontosságától függően az ideális állapot s ennek különösebb fejlesztést nem igénylő életciklus-hossza vállalat-specifikusan más-más lehet,.Külső erőforrások: A döntéstámogató rendszer, így a számvitel infrastrukturális (ill. ehhez kapcsolódó HR) hátterének megteremtése egyre inkább reális alvállalkozók (vö. outsourcing) bevonásával. A felkért szolgáltató előnye, hogy az infrastruktúra kialakítását, ennek üzemeltetését több megbízó együttes kezelésével kell, hogy optimalizálja, így mind a beruházás, mind a szakértelmet honoráló bér oldaláról lényeges megtakarításokat tud elérni az egyes megrendelőkre vetítve. Másrészt azonban igaz az is, hogy vállalati információs rendszeren átáramló tartalmak védelme így elvileg kevésbé biztosított.

180

27.1.11. Operatív szempontok egy (számviteli) információs rendszer tervezése során

Az alábbiakban felsorolt ajánlott irodalmak minden egyes fogalma, jelensége önálló döntésként fogalmazható meg majd minden információs rendszer bevezetési, fejlesztési feladat során. Általános érvényű kijelentés, hogy az információs rendszer által érintett minden jelenség – munkaerő kiválasztásától, az ergonómiai részleteken (pl. képernyő színeken, struktúrákon és tartalmakon) át, az eszközök kapacitásáig, a szoftververziók cseréjének gyakoriságáig, stb. – esetében érdemleges, összehangolt döntést kell hoznia az érintetteknek (számviteli, számítástechnikai, HR, stb. szakembereknek), mely folyamatot az informatikának kell egységbe fognia.

181

27.1.12. Ajánlott irodalmak

Gazdasági informatikai alapok: http://miau.gau.hu/miau/06/szgy97.doc http://miau.gau.hu/miau/06/tankonyv.rtf http://miau.gau.hu/miau/34/aszm3.doc http://miau.gau.hu/jegyzet/index.html http://miau.gau.hu/lexikon/index.html

Mellékletek a számvitelszervezéshez: http://miau.gau.hu/miau/50/kva2002.ppt http://miau.gau.hu/nappalos/2001osz/tusz1.doc

IT-tanulmányok: http://miau.gau.hu/miau/6 0 /index.html (ERP) http://miau.gau.hu/miau/56/szakdolgozat.doc http://miau.gau.hu/miau/56/2.ppt http://miau.gau.hu/miau/20/peto.doc http://miau.gau.hu/miau/53/otdkbrd.doc http://miau.gau.hu/miau/06/ora98ut.ppt

Online kommunikáció: http://miau.gau.hu/miau/58/e-korm-zaro.doc http://miau.gau.hu/miau/54/ouki.html

Külső információs rendszer: http://miau.gau.hu/periszkop/index.html

Elektronikus kereskedelem: http://miau.gau.hu/portal/index.html

Egyéb témák: JOKER: http://miau.gau.hu/miau/20/xxxx.doc HOM-E/O-MINING: http://miau.gau.hu/miau/21/njszt.doc Online stratégiák: http://miau.gau.hu/miau/27/omgmfm1.doc ikTAbu: http://miau.gau.hu/iktabu/index.html Modellezés csapdái: http://miau.gau.hu/miau/55/otkaz.doc A kutatás önkritikus értékelése: http://miau.gau.hu/miau/54/ava.doc

Katalógusok: MIAÚ-katalógus: http://miau.gau.hu/op/miaudk1.xls Tematikus listák: http://miau.gau.hu/nappalos/2002osz/link.xls

27.2. Döntéstámogatás a számvitelben

27.2.1. Egy idealizált megoldás részletes (számvitel-specifikus) bemutatása

Az alapfogalmak és összefüggések után következzék egy gondolatkísérlet a technológiailag ideális (vagyis online elemeket favorizáló) megoldáshoz vezető út bejárása kapcsán. Az alábbi gondolatmenet egy általános (az online jelleget preferáló) döntéstámogatási koncepció (http://miau.gau.hu/miau/57/oab2.doc), mely a számvitel-specifikus részekkel utólag került kiegészítésre, ezzel is jelezve, hogy az általános (univerzális) elveket különösebb gond nélkül adaptálni kell tudni a mindenkori szűkebb kérdéskörre.

Szinte minden döntéshozó, döntés-előkészítő szembesült már azzal a hétköznapi élethelyzettel, vajon adott probléma (pl. számvitelszervezés optimalizálása) esetére honnan is tudná legegyszerűbben begyűjteni az addig felmerült (rész)kérdésekhez illő válaszokat. S az is közismert helyzet, hogy minden újabb ismeret további kérdéseket szülhet (pl. integráció egyéb döntéstámogató modulokkal). A rendelkezésre álló válaszok alapján egyszerre (vagy több elemzési lépésben) végül is el lehet jutni a döntéshez, vagyis a

182

lehetséges cselekvési alternatívák közül annak az egynek a kiválasztásához, mely elvárt következményeit szubjektíven a legelőnyösebbnek ítélte a döntéshozó(testület).A válaszkeresés (az elemzés) technológiai környezetének fejlettségtől függetlenül elviekben igaznak tűnik az a gazdaságossági elvárás, hogy csak azokat a kérdéseket érdemes vizsgálni, melyek esetén a megválaszolás (elemzés) összes költsége arányban áll a jobb döntés által biztosítható többleteredménnyel.Világosan kell látni azonban, hogy a hasznosság ezen felületes, s így idealista megközelítése számos, a részletekben megbúvó buktatót rejt, melyek elhallgatása hamis illúziókat ébreszthet a későbbiekben bemutatandó (hasznosnak vélt) jelenségek értelmezésekor. Fontos tehát még egyszer kiemelni, hogy a legjobb cselekvési alternatíva kiválasztásának kritériumrendszere (a célfüggvény) szinte soha nem adott, így „csak” szubjektív döntésre van lehetőség! Emellett ki kell térni a (többlet)haszon fogalmának az előzőekkel azonos gyökerű zavarosságára is: Míg az egyes döntés-előkészítési, ill. végrehajtási lépések költségei úgy, ahogy, de általában kalkulálhatók, addig a várható hasznosság érdemben csak ritkán számszerűsíthető. Így tehát az, hogy egy adott kérdés (elemzés) esetén a válasz megkeresése túlzottan drága-e, lényegében ismét csak szubjektíven ítélhető meg, (hiszen ez az „apró” probléma, mely maga is döntési helyzet, éppúgy viselkedik, mint az a nagy, mely érdekében a részletekbe bele kellett merülni). És akkor még nem is neveztük nevén a közgazdaságtan „mumusát”, vagyis az előrejelzéseket. Ezek kellene ugyanis, hogy megadják, hogyan változnak majd a döntéshozó által nem befolyásolható keretfeltételek (pl. törvényi szabályozások, bér és ergonómiai elvárások változása, IT-kapacitások ár-teljesítmény arányainak változása), melyek azonban alapjaiban határozzák meg azt, hogy a választandó cselekvési alternatíva olyan változásokhoz vezet-e, amilyeneket a döntéshozó elvár, preferál.Az előrejelzések elhanyagolása mellett az informatikai piacot bénító másik jelenség a kritikus informatikai affinitás. Ez a jelenség tehát nem más, mint egy adott fejlesztés kapcsán a IT-beszállítók és a kellően hozzá nem értő megrendelők között fellépő egyensúlyvesztési állapot, melyben a külső nyomás és a belső dilettantizmus / misztikum és kíváncsiság-vezérelt magatartás eredőjeként szervetlen fejlődést vállal fel egy szervezet (vagyis pl. hirtelen és túl nagy lépésekben próbál előrejutni informatikai beruházások révén). Ennek következménye nem lehet más, mint a sikertelen projekt, vagyis a potenciális hasznosság ki nem aknázása (pl. a régi papír-alapú, ill. kevésbé integrált rendszer párhuzamos fenntartása, konfliktusok a munkaerő átképzése, elbocsátása, felvétele során, függő helyzet kialakulása néhány nagy rálátású informatikussal, számítás-technikussal szemben, a fejlesztések le nem zárása a fejlesztéssel való együtt-tanulás ötletébresztő hatásai miatt, nem megfelelő doboz-megoldások választása potenciális takarékossági okokból, gyenge belső fejlesztői csapat megbízása miatt elhúzódó fejlesztések, át nem gondolt szoftver-verziócserék negatív hatása, szoftverszintű-kompatibilitás elvesztése a partnerekkel szemben, ki nem használt modulok bevezetése, drága licencek elfogadása, stb.).Ahhoz tehát, hogy jó döntést hozzunk, ill. egy döntést jól előkészítsünk, jól körülírhatóan nem számíthatunk senkire és semmire, alapvetően csak az intuíciónkban bízhatunk. A JÓ fogalma ugyanis nem operacionalizálható. Ebből következően az IT-alapú számvitelszervezés (mint az informatikai projektek tipikus és gyakori esete) inkább művészet, mint sem tudományosan sikeresen kezelhető jelenség. Ezen kérdéskör oktatása során fel lehet vetni számos általános elvet, trükkös részletet, de az éles döntési helyzetben a döntéshozó(k) pillanatnyi felkészültsége határozza meg a projektek, a mindennapok sikerét.A döntéshozó és a tanácsadó informatikai felelőssége azonban jól definiálható: minél pontosabban illik előre megmondani tudni, vajon milyen irányú és mértékű változások lépnek fel a jövőben a döntések következményeként. Aki ugyanis ezt az egyszerű kihívást tartósan és kiegyensúlyozottan magas találati arányokkal képes kezelni, az olyan kivételes képességekkel rendelkezik, mely nem csak a versenytársakkal szembeni relatív előnyök elérése, hanem a természeti folyamatok hatékonyabb kihasználása révén is többlethasznot biztosít az érintett gazdálkodó egységnek.

27.2.2. A döntés-előkészítés erőforrásai

A következőkben a számvitelt a nagy vállalati döntéstámogató mechanizmus egy központi elemeként kell tekinteni. A döntések előkészítése során felmerülő feladatok alapvetően három csoportra oszthatók a megoldásukhoz szükséges képességek és eszközök szempontjából:

183

tetszőleges korábbi, ill. jelenlegi állapot értékének, azaz tényszerű ismereteknek (pl. mért, megfigyelt, azaz primer adatoknak) keresése, gyűjtése, leválogatása;

tényként kezelt adatok alapján végzett további számítások (elemzések, becsült, származtatott (aggregált), avagy szekunder adatok, absztrakciók) kidolgozása;

tetszőleges (a későbbiekben mérhető) jelenségek jövőbeli, ill. korábban meg nem figyelt múltbeli állapotának levezetése (előrejelzése, modellezése).

A számvitel a gazdasági szervezet belső állapotairól az előre megállapított részletezettségű alapadatokat, s az ezekből ismét csak előre definiált módon levezethető aggregációkat kell, hogy szállítsa a döntéstámogatás egyéb (pl. CRM, vagy a gazdasági szervezet környezetét leíró külső állapotok adati mellé). Bizonyos esetekben (pl. készletgazdálkodás optimalizálása, gyártástervezés támogatása) nem kerülhető meg az sem, hogy pl. a készletek fogyásának tényadatai alapján trend-vonalok illesztésével a készlet kimerülésének várható időpontját becsülje egy információs rendszer, ill. a számla- és szállítólevél adatok alapján átlagos szállítási időtartamokat kalkulálhassunk lekérdezések vizuális elemzésével vagy célzottan algoritmikus úton.Külön ki kell térni arra az esetre, amikor a törvényi előírások értelmében még nincs (nem is lesz) bizonylat egy adott tranzakcióról (pl. telefonos megrendelések faxon történő megerősítés nélkül, ill. szürke-fekete készletmozgások), de ezen információk kihagyása a rendszerből a tervezés zavaraihoz vezethet.A számviteli folyamatok tehát az általában ismert mindhárom formáció esetét lefedik.Megfigyelésekre/mérésekre, számított/becsült adatokra, ill. előrejelzésekre van tehát szükség ahhoz, hogy megkönnyítsük a szubjektív alapokra támaszkodó végső választást a lehetséges cselekvési alternatívák között. Az adatszerű inputokat (tudatosult és ösztönös) “tudásunk” értelmezi (manipulálja), mely eredménye maga a döntés. Így tehát a (z intuitív) döntési folyamat támogatása a tudásnak nevezett jelenség mindenkori állapotától is függ. A tudás két formáját érdemes jelen pillanatban kiemelni: képletszerű tudás, mely akár a számítógép számára is kezelhető lehet, esetalapú következtetés (tapasztalat), mely nem algoritmizálható (de utánozható, szimulálható).

A képletszerű tudásról már itt érdemes elmondani, hogy személytől, tértől és időtől függetlenül, s egyben kissé sarkosan, de rendelkezésre áll a döntéshozatal támogatására, míg a tapasztalatokra alapozó tudás ennek éppen ellentettje: vagyis személyhez, így térhez és időhöz kötött, ill. rugalmasan át- és újraértelmezhető (vö. fuzzy rendszerek).

A számviteli folyamatok esetében számos képletszerű (törvényileg előírt, ill. alternatívák közül választható) tudáselemmel kell dolgozni (pl. mérlegösszefüggések). Ezeket a számviteli folyamatokat támogató szoftverek képesek is hatékonyan kezelni. A számvitel előírásosságából következően érdemes minden, az ad hoc igények jellegzetességeit felmutató jelenséget az általános döntéstámogatás keretébe sorolni, s így az esetalapú következtetések a klasszikus számviteli folyamatokban nem játszanak jelentős szerepet. Nem szabad azonban soha elfelejteni, hogy az ad hoc igények olyan számviteli adatokra is támaszkodni fognak, melyek keletkezése során a tényeleges felhasználásuk minden egyes módja fel sem merülhetett, nem hogy kiérlelt lenne.

Ezzel eljutottunk az informatika öt erőforrása közül az első kettőhöz, vagyis az adatokhoz és a módszerekhez. Az adatok és az adatok manipulálását támogató módszerek együttműködése technológia függő. Így a jegyzet szempontjából az ICT (information and communication technologies) a harmadik erőforrás. A negyedik maga az érintett emberi egyed (vö. humán-technológia, ösztön). S végül, ötödik erőforrásként az egyedek együttműködését befolyásoló szervezeti, jogi keretfeltételeket érdemes kiemelni.

A számvitelszervezés szempontjából hasznos (lenne) adott fejlesztési helyzetben minden egyes technológiai elemről részletes, referenciákkal rendelkező ismeretet birtokolni. Ez azonban szinte lehetetlen, de a siker mégis a megfelelő erőforrás-kombinációk megtalálását jelenti.Az emberi tényező (IT-képzettség, strukturált gondolkodásra való képesség és hajlam, innovációs készség, stb.) alapjaiban határozza meg a számviteli folyamatok informatikai támogatását, hiszen az emberi tényezők bizonyos IT-megoldások esetén kizáró feltételként is felfoghatók pl. abban az esetben, ha a tulajdonosok

184

egyben a gazdasági szervezet munkavégzésében is részt kívánnak venni, így nem cserélhetők le akkor sem, ha lényegében képtelenek az egyébként megfelelőnek tűnő IT-megoldásokkal együttműködni. Minél kisebb egy szervezet, annál szélsőségesebb hatás képes a HR az IT folyamatok tervezésére gyakorolni.A kooperációk keretfeltételei éppen az egyes gazdasági társaságok egyediségei miatt szintén szélsőségesnek tekinthetők, így nem véletlen, ha a szabványosítási törekvések lassan haladnak csak előre (pl. EDI). Az ember azonban nem robot, így ezt mindenkor figyelembe kell venni a számvitelszervezés során.

27.2.3. Az online döntés-előkészítés típushelyzetei

A jó döntés-előkészítés tehát a rendelkezésre álló erőforrások ideális kombinációjának megválasztását jelenti. A címből következően az alábbiakban az online jelleghez kötődő, sok esetben talán még újszerű megoldások a felvillantása a cél. A számvitel és a döntéstámogatás egységes rendszerben kezelésekor a döntés-előkészítés első lépése a szükségesnek vélt adatok definiálása, kigyűjtése.Az online (ez esetben intranetes keresés) és az offline (pl. archívumok, irattár) megoldások közötti választás, ill. ezek kombinálása racionális döntéshozó esetében az egyes megoldások hatékonyságtól kellene, hogy függjön, hatékonyság alatt értve az egyes adatok megtalálásához felhasznált keresési időt. Az ígért, újszerű megoldások bemutatása alapvetően tehát ezek hatékonysága (s nem hatásossága) szempontjából történik. Mivel a hatékonyság maximuma az ideális helyzet, így az alábbiakban az ideális keretfeltételek fontosabb elemeinek kiemelése sem kerülhető meg. Itt kell megjegyezni, hogy az ideális helyzet legtöbb eleme esetében ezek még vagy nem léteznek, vagy csak kezdetleges állapotban vannak (nem csak Magyarországon).

Adattámogatás I.: Primer adatok újszerű kezeléseMeta-adatbázisok: Tények begyűjtésekor elsődleges kérdés: Létezhet-e az adat egyáltalán, azaz készült-e –– a számunkra releváns idő- és térkoordinátákhoz – mérés, megfigyelés? Online esetben elvárható lenne egy olyan központilag kezelt szolgáltatás (meta-adatbázis), melybe minden adatszolgáltató köteles lenne bejelenteni, milyen jelenséget, milyen gyakorisággal és módszerrel figyelt meg. (A számvitel esetében a metaadatbázis maga a számlatükör, ill. a bizonylatok gyűjteménye. Nemzetközi kapcsolatokkal, leányvállalatokkal rendelkező cégek esetén a konszolidációs elvek ki kell, hogy egészítsék az adatvagyongazdálkodás megalapozását.)Hozzáférés szabályozása: A meta-adatbázisban arra is utalás kellene, hogy legyen, ki, mikor, milyen módon férhet az adathoz. Itt a külső információs rendszer érdekében különös hangsúlyt kap a közhasznú adatok és az ún. fizetős szolgáltatások éles szétválasztani tudása. A számviteli adatok esetében – minél hierarchikusabb és diverzifikáltabb, ill. minél kevésbé profitérdekelt egy szervezet annál inkább- szintén felvetődik az egyes vezetési szintek folyamatokra való rálátási rendje. Informatikailag az az ideális, ha mindenki mindenről tudhat. Amennyiben ez az általános elv sérül, úgy a manapság is uralkodó információ-monopolizálási stratégia lép életbe, mely a politikából és a gazdasági élet titokkal kapcsolatos problémáiból közismert.Technológiai minimum: A hozzáférés bármely esetében fontos, vajon milyen formátumban jut hozzá a felhasználó a keresett adathoz. A jelenleg ismert technológiák alapján minimális elvárásként fogalmazható meg egy OLAP-jellegű (pl. FAO, a WIF, ill. könyvtári katalógusok l. http://miau.gau.hu/index.html), ill. táblázatkalkulációs tovább-feldolgozást lehetővé tévő pivot-jellegű szolgáltatás (pl. http://miau.gau.hu/miau/32/fadn.xls). A ma oly gyakran látható, összevont cellákat tartalmazó HTML táblázatok nem tekinthetők felhasználó-barát szolgáltatásnak.Ha és amennyiben egy gazdasági szervezet bármilyen adatot digitálisan gyűjteni, tárolni és feldolgozni kezd, lényegében belekerül a technológiai fejlődés spiráljába. Az adatok hiánya nem jelent olyan nagy kárt egy szervezet életében, mint az, ha van adat, de ez jogi és/vagy technológiai zavarok miatt a szükséges pillanatban nem férhető hozzá. Az adott szervezetben ugyanis elsődlegesen nem az adathiány esetén tapasztalható becslési kényszer szekunder adatigényének kielégítése, hanem a frusztráció, a „csak azért is” mentalitás káros következményeivel kell számolni.Szabványok: Ahhoz azonban, hogy az online dokumentumokból kiollózott táblázatoktól, a saját tartalmát jól reprezentáló adatbázis lekérdezéseken át eljussunk az adatok újrarögzítésének (struktúrába illesztésének)

185

elkerüléséig, arra lenne szükség, hogy minél inkább szabványos kommunikációs formák alakuljanak ki. Erre jó példa az EDI és az XML.Szabványosítani csak akkor lehet hatékony, ha az adatok felhasználásának potenciális céljai világosak. A számvitel kifejezetten olyan terület, ahol szinte minden előre kodifikált. Ebben különbözik ugyanis a döntéstámogatás egyéb jelenségeitől. Így a számvitelszervezésben fontos elvárás, hogy minden képletszerű tudás (aggregáció, konszolidáció, egyéb szabályok), minden struktúra (riportok, adatstruktúrák, törzsadatok, nyelvi változatok, stb.) felismerésre és beépítésre kerüljön az információs rendszerbe.Információs brókerek: A mindenkori meta-adatbázisok, az adatbázisok és a szabványok „zsonglőrei” modern szóhasználattal az információs brókerek, akik adott kérdés esetén a leghatékonyabban képesek kideríteni az adat létezésére, tartalmára vonatkozó információkat.A számviteli folyamatok információs brókerei azok a munkatársak, akik az előre megadott, így szinte teljesen automatizálható feladatok mellett a döntéstámogatás érdekében nyúlnak vissza a számviteli adatokra. Az informatikai megoldásokat az ő támogatásukra úgy kell megválasztani, hogy töredékes és részlegesen strukturált adatokból is képesek legyenek hatékonyan újszerű jelentések, kimutatások, ábrák előállítására. Ez technológiai oldalról az adat-vizualizáció támogatását jelenti.

Minőség: Feltételezve, hogy egy potenciális adatbegyűjtési megbízás esetén az adatok létezése már nem kérdéses, további problémaként merül fel ezek helyes dokumentálása (mértékegység, forrás pl. http://miau.gau.hu/miau/42/piginfobroker.xls) és hitelessége (plauzibilitás, konzisztencia, alternatív adatok léte). Plauzibilitás alatt értendő az, hogy egy adat a szakmailag releváns értelmezési intervallumba esik-e, míg a konzisztencia fogalma az ellentmondás-mentességet, vagyis több adat egymást erősítő jellegét

feszegeti.

A számvitel szervezése kapcsán felmerülhet úgy az adatok plauzibilitásának, mint ezek konzisztenciájának ellenőrzése. A plauzibilitás ellenőrzés legegyszerűbb példája az papír-alapú bizonylatokról való adatbevitelt támogatása intelligens űrlapok segítségével. Az intelligens űrlapok feladata, hogy az adatrögzítési hibákat úgy csökkentsék a minimumra, hogy közben a rögzítésre és ennek ellenőrzésére felhasznált összes munkaidő nem nő (jelentősen). Az intelligens űrlapok hátterében az adattartalmak és formátumok szabványosítható elemei bújnak meg (pl. irányítószám alapján település hozzárendelés, telefonszámok formátuma, nagyságrendek, minimum, maximum értékek korlátozása). A konzisztencia ellenőrzés szintén nem idegen a számvitel logikájától, hiszen maga a kettős könyvelés is egy konzisztencia ellenőrzést végző rendszer. Egyéb konzisztencia ellenőrzések szakterület-specifikusan alakítandók ki. A mezőgazdasági vállalkozások esetén a Mezőgazdasági Számlarendszer üzemi vetülete képes arra, hogy a teljes naturális és monetáris ágazati, ill. termékszintű eredmény-kimutatást hibamentesen engedje kezelni.Az egyes kötelező jelentések űrlapjainak kitöltésekor elkövethető hibákat az űrlapkitöltő programok bevezetésével, fejlesztésével minimalizálhatjuk.

Az adatokkal párhuzamosan kezelendők a nem adatszerű ismeretet hordozó dokumentumok, ill. érdemes külön kategóriaként kiemelni a térképvagyont is (bár ez utóbbi általában nem érinti a számvitelszervezés tárgykörét). A dokumentumkezelés kapcsán minden apró trükk, melyeket közösen dokumentum-menedzsmentnek illik nevezni fontos szerepet játszik abban, hogy a releváns szöveges és képi közléseket minél hatékonyabban legyünk képesek adott probléma kapcsán beazonosítani. A térinformatika, vagyis a térkép-vagyonra épülő vizualizáció és elemzés szakterülete ugyan tartalmilag semmi olyat nem kínál, amit más módon ne lehetne elérni, de a vizualizációs effektusokon keresztül mégis talán a leghatékonyabban katalizálja az emberi komplex gondolkodást (vö. több layer együttkezelése). Sajnos ma egy tetszőleges GPS-koordinátákkal kijelölt sokszög esetén senki nem tudja (akarja?) megmondani, hol, milyen tartalmú és pontosságú térképállományok állnak rendelkezésre.

A számviteli munka során (különösen akkor, ha a gazdasági szervezet vezetése szívesen és gyakran él a kiskapuk kínálta lehetőségekkel) a kontírozások indoklásaként felmerülő (alapvetően a Határozatok Könyvében vezetendő) döntések és az egyes számvitelt érintő adatrögzítési tételek között érdemes

186

megteremteni az átjárást, vagyis a könyvelő programban rögzíteni kell tudni a Határozatok Könyvének megfelelő passzusaira utaló kódokat. Az általában nem bizonylat- (űrlap-)szerűen kialakított dokumentumok (szerződések, feljegyzések űrlapszerű átalakítása szintén segíthet abban, hogy elkerüljük a redundanciát, ill. az egyszer már rögzített adatokat hatékonyan tovább-felhasználhassuk.A számviteli folyamatok alapvetően függetlennek látszanak a térképektől. Ez azonban éppen a mezőgazdaság esetén egyre kevésbé igaz, hiszen az IIER keretében igényelhető támogatások űrlapjai között már orto-fotókkal dolgozva kell igazolni azt, hogy az adott vállalkozás nem igényelt nagyobb területre támogatást, mint az neki jár, ill. azt is, hogy az egyes kultúrák milyen területnagyságot, s pontosan hol foglalnak el a saját és bérelt földterületeken. Ez új számviteli és informatikai folyamatokat jelent az eddigi alfa-numerikus adatkörhöz képest.

Adattámogatás II.: Szekunder adatok online megközelítésbenAz előző pontból következik, hogy vállalati külső információs rendszert megalapozó közhasznú (szekunder) adatvagyon-, (ill dokumentumvagyon és térképvagyon) gazdálkodás állami feladat, mely a gazdaságfejlesztés és a tanácsadás támogatása révén fejti ki hatását. A jó adatvagyon-gazdálkodás verseny-semleges, hiszen mindenki számára egyformán biztosítja a tényszerűséget. A számviteli rendszer esetében az állam fogalma a tulajdonosokkal, a vállalatvezetéssel azonosítható be, melynek vállalati szintű kötelezettségei és feladatai hasonlóak az államéihoz. A számvitel esetében azonban primer (saját gyűjtésű) adatokról beszélünk.A szekunder adatok döntéstámogatási célú felhasználása kapcsán érdemes egy frappáns, új keletű szlogenre és/vagy egy régi-régi közmondásra gondolni: „tények mögött a lényeg”, ill. „nem látja a fától az erdőt”. Mindkét esetben arról van szó, hogy a tényszerű ismeretek birtoklása nem elegendő ahhoz, hogy a döntéshozatalt, vagyis az alternatívák közötti választást „emberszabású” módon támogassuk.Vegyünk két példát: Egyrészt (általános döntési problémaként) tételezzük fel, hogy minden település (ill. ipari park) összes a befektetők számára releváns adata jól strukturáltan rendelkezésre áll. Másrészt ennek analógiájára képzeljük el, hogy egy vállalkozás minden terméke, ill. telephelye tekintetében a gazdálkodás konszolidált (összehasonlítható) adati rendelkezésre állnak. Ezen adatvagyon alapján bármely település, ill. telephely mérni tudná magát más településekhez, telephelyekhez (vö. benchmarking), ill. bármely (külső) befektető, ill. a menedzsment maga összehasonlíthatná a potenciális célterületeket. (A hasonlóság, rangsorolás problémájának általános érvényű felismerése után mindenki sorolni tudná az idekapcsolódó döntési típushelyzeteket: kezdve az autó-, és ingatlan – állóeszköz-beszerzés – vásárlástól a közbeszerzésen/tenderértékelésen, ill. pontozásos sportversenyek és a hitelképesség értékelésén, valamint a vidék- és területfejlesztésen át egészen a pár- és munkaerő kiválasztásig…)Az összehasonlítás azonban, hasonlóan a döntéshozatalhoz csak szubjektív lehet. Legyen a scoring bármilyen komplex és sokszínű (vö. BSC, potenciálcsillag, JOKER), mégis csak a felhasználó dönti el a súlyozást, a bekerülő jellemzők körét és ábrázolási skáláját, az egyes impulzusok összevonásának logikáját, így végső soron magát a „hiteles” sorrendet is. (Egy jól átlátható módszertani útmutatót az alábbi online dokumentumok tartalmaznak: http://miau.gau.hu/miau/54/ouki.html).

Ismét csak túl lépve a filozófiai csapdákon, a mindennapi életben a rangsorolás alapvetően lokális (offline) kérdésként merül fel. Már az adatok alvállalkozók általi begyűjtése (integrált információs rendszer hiányában a vállalatrészek dokumentumainak ad hoc feltárása) is (üzleti) kockázatokat rejthet magában a vizsgálat céljainak kikövetkeztethetősége révén. Maguknak a sokszor öngerjesztő részelemzéseknek az elvégzése már kifejezetten a(z üzleti) titok fogalmához kötődhet.

Hogyan támogatható a szekunder adatok, ill. a részlegesen külső és belső adatokra támaszkodó bechmarking online módon?

A származtatott, ill. számított adatok előállításának online támogatásakor először az adatok és az elemző (vizualizáló) eszközök (pl. Datascope) közös helyre történő mozgatása a kérdés. Ez minden, kombinatorikailag lehetséges (online) módon elképzelhető: Elemző-eszközök letöltése a lokális adatok mellé: A legegyszerűbb megoldások egyike, hiszen akár

táblázatkalkulációs felületen kidolgozott számításmenetek cserélhetnek így gazdát (vö. TOP-AGRÁR

187

EXCEL-börze), feltételezve, hogy a sémák használata és adatokkal való feltöltése magától értetődően dokumentálható, s az üzembiztonság többé-kevésbé hardverkonfiguráció-függetlenül adott. Legegyszerűbb esetként foghatjuk fel egy EXCEL felületen előre beállított kimutatás varázslóra és diagrammokra épülő report-szolgáltatást.

Adatok feltöltése elemző-szerverre: Feltételezve, hogy egyes nagy számítás- (és fejlesztés)igényű algoritmusok inputjait szabványosan le lehet írni (s miért ne lehetne), ill. az online szolgáltatások üzleti elszámolása kidolgozható (vö. web services), már semmi akadálya nem lehet annak, hogy algoritmusokat saját adataink (anonim tartalmú) feltöltésével és saját paraméterezéssel meghívjunk (vö. outsoucing).

Online adatszolgáltatás elemzési eszközökkel kiegészítve: ebben az esetben az adatszolgáltató (számviteli adatok esetén pl. a Cégbíróság) maga vállalja fel, hogy a már kiforrott módszereket megprogramozva, saját adatvagyonára épülő egyszerűbb (pl. statisztikai, idősor-elemző), vagy egészen bonyolult (pl. MCM-alapú lineráis programozási) feladatokat végez el a felhasználó egyedi paraméterezése szerint. A klasszikus szervere-oldali támogatásokon túl lényegében ide sorolandók a kliens-szerver-architektúrákra alapozó megoldások is, hiszen a központi adatszolgáltatással való együttműködni tudás fontosabb osztályozási szempont, mint az, vajon melyik processzort terhelik meg a feladatvégzéssel. Bár igazi nagy sikerekről nehéz ma még beszámolni, de már a 90-es években elindult egy komplex adatszolgáltató és elemző fejlesztés a vidékfejlesztés érdekében (vö. ikTAbu, AGRONET), melyek a legegyszerűbb statisztikai számításoktól egészen, DEA-alapú online hatékonyság számításokon át, LP-feladatok online kezeléséig jutottak). A tőzsdei elemzések esetén a kliens-szerver megoldások szinte már kiforrottnak tekinthetők (pl. STOCKNET). A feladat megoldatlanságát jelzi azonban, hogy a legújabb EU, és hazai pályázatok esetében is rendszeresen felmerül szakterületfüggően vagy általános érvénnyel az online adatszolgáltatás és elemzés összekapcsolása.

Az online adat- és elemzési szolgáltatások igénybevétele a felhasználó számára a külső információs rendszer és elemző kapacitások outsourcing jellegű kezelését jelenti, az outsourcing-ra jellemző minden gazdasági és kockázati tényező egyidejű fellépése mellett.

Adattámogatás III.: Online előrejelzések, elemzésekA számviteli folyamatok klasszikus megközelítésétől (minden szükséges adat a rendszer belül keletkezik és minden elemzés előre-programozottan rendelkezésre áll), az általános döntéstámogatás típushelyzeteinek elemzésekor fokozatosan jutunk el oda, hogy a belső adatok és külső adatok, ill. a belső és külső algoritmusok egy megfelelő infrastruktúrára támaszkodva a menedzsment elvárásait tetszőleges kombinációban elégíthetik ki. A számviteli rendszert tehát úgy kell megfogalmazni, hogy az kapcsolható legyen bármilyen egyéb adattal és algoritmussal.Egyszerűen belátható, hogy az online módon elértető algoritmusok között minden különösebb gond nélkül lehet olyan is, mely eredménye jövőbeli folyamatok előrejelzéseként értelmezhető. A különbségtétel elemzés és elemzés között tehát jórészt csak a felhasználó fejében, mintsem technológiailag létezik. Az online előrejelzésekre tehát az előző pontnál bemutatott hármas tagolás szintén igaz. Módszertani különbségként leginkább az előrejelzésekhez tartozó beválási valószínűség, (mint adat) közlése emelendő ki. Egy klasszikus származtatott adat (pl. optimum, FH, fedezeti pont), ill. hasonlóságot jelző pontszám (amennyiben az algoritmus helyes) annyi, amennyi. Egy előrejelzés esetén azonban talán magánál a tényszerű adatnál, mely adott jelenségek jövőbeli értékeit, változási tendenciáit (pl. fizetési-szállítási határidő túllépése, hitelképesség, várható hozamok a tervezés számára) adja meg, fontosabb, mennyire biztos, hogy úgy lesz, ahogy azt a számok mutatják.Ezzel eljutunk a céltalanság tételéhez, vagyis ahhoz az informatikát a tudás fájának megdézsmálása óta sújtó „átokhoz”, mely szerint a legjobb fejlesztők által sem határozható meg tetszőleges biztonsággal az, hogy két, tanulási és teszteredmények alapján (közel) azonos modell közül, melyik eredményei fognak a jövőben többször a valósághoz közelebb állni. Vagyis a kockázat összes terhe a legkiforrottabb döntéstámogatási rendszerek esetén is a felhasználó vállát nyomja. Sokan még mindig azt hiszik ugyanis, hogy a modellek helyességének mérésére kitalált korrelációs fogalmak alapján megalkotható az a célfüggvény, mely annál az összefüggésnél állítja meg a tanulás folyamatát, mely jobb, mint bármely elődje, ill. amely már elkerüli a túltanulás (csak speciális helyzetben érvény tudás általánosításának) veszélyét. A korreláció (kontingencia,

188

rangsor, numerikus) egyes fogalmai oly mértékben függetlenek egymástól, hogy csak az egyik mentén keresve jobb és még jobb megoldások után, más korrelációs szinten csak véletlenszerű előrehaladásról beszélhetünk. Azok a modellek például, melyek a változások irányát jól jellemzik, nem biztos, hogy annak mértékét, ill. az egyes változások rangsorát is kellően helyesen képesek megadni. A felhasználónak tehát először azt kell eldönteni, milyen szinten vár segítséget a modellektől, s ennek megfelelő szolgáltatást kell keresnie.Az online előrejelzések készítésére klasszikusnak számító többváltozós modellekre, ill. modern indukciós rendszerek van szükség. Ez utóbbiba a mesterséges intelligenciák közé sorol neurális hálók, genetikus algoritmusok, induktív szakértői rendszerek sorolhatók. (Ezek egy univerzális képviselője a WAM, beépítésre került az ikTAbu szolgáltatásba. Az online előrejelzések egyik furcsa alkalmazása lehet a jövőben, saját speciális időjárás-prognózisok készíttetése az amúgy (elvileg) közhasznú adatbázis és ehhez illeszkedni tudó (már ma is létező) algoritmusok online kombinálása révén. Az előrejelzések mellett tipikus online elemzési feladat (lesz egyszer) a bevásárlás, beszerzés optimalizálása. Feltételezve, hogy az áruk árlistái és önazonosságuk egy világos, szabványos rendben adott, s a felhasználó megadja miből, mennyit, mikorra szeretne beszerezni, egy alapjaiban egyszerű szoftver begyűjtve a potenciális szállítók árajánlatait, s figyelembe véve esetleges utazási, várakozási, kockázati szempontokat, képes kiszámítani, mit, mikor, hol kell megvásárolni, ill. kiszállítással együtt megrendelni. Az információs rendszerek komplexitását, így a számviteli munkát alapjaiban befolyásoló e-business fejlődési trend ebbe az irányba mutat. A tőzsdei kereskedés online ügynökei (AAA) szintén képesek algoritmus-vezérelten adni-venni, sőt saját vezérlésüket adott előrejelzési pontosság romlása esetén, ill. folyamatosan felülvizsgálni.)

Módszertani támogatás I.: Képletszerű tudás előállítása, bevonásaAmennyiben nem csak az a cél, hogy egy ismeretlen szerkezű (black box) modell eredményét, mint előrejelzést kinyerjünk és felhasználjunk, hanem az is fontos, vajon milyen módon került ez meghatározásra, azaz mi a modell szerkezete, úgy ez a feladat is támogatható online eszközökkel.Számviteli adatok ilyen célú felhasználását például hitelképesség-vizsgálatokban, pályázatok, tenderek értékelése esetén figyelhetjük meg.Az induktív szakértői rendszerek, melyek esetek (kiindulási helyzetek és következményeik) alapján képesek a megadott objektumokat például csoportokba sorolni úgy, hogy a csoportképzés szempontjait (akár) szöveges interpretációval együtt hozzáférhetővé teszik a felhasználó számára, már új, eddig nem létező tudást állítanak elő. Ez az emberi agy számára is értelmezhető modellszerkezet segítheti az asszociációs folyamatokat, a megértést, vagyis támogatja komplex döntési helyzetek átlátását (vö. WAM-TXT).Már meglévő, képletszerű tudás (szakértői rendszer, egyenletek) online elérése alapvetően az adattámogatás II, vagyis szekunder adatok fejezetének alpontjaival azonos kategória, ill. amennyiben a tudás dokumentumba rejtve kell, hogy megtalálásra kerüljön, úgy dokumentum-menedzsment problémáról beszélünk (pl. Közlönyök értelmezése).Fontos megjegyezni, hogy az online erőforrások terjedésével a szakirodalom egyre inkább szakértői rendszerek (azaz kérdezz-felelek szolgáltatások formájában kellene, hogy kidolgozásra kerüljön), hiszen így minden érdeklődő testre szabott választ kaphat, szemben a szekvenciális papír-alapú szakirodalommal, sőt még a hipertextes struktúrákkal támogatott online szakirodalommal is, mely csak a fáradságosan tárhatók fel eset-specifikus formában, ha egyáltalán ez lehetséges (vö. adózási tanácsok: http://miau.gau.hu/levelezo/2002osz/pelda/jeles/szsz1/index.html).

Technológiai támogatás: A technológiai támogatás, mint az adatokat és a módszereket minden szinten és formában körülvevő, meghatározó jelenség már eddig sem volt kihagyható az egyes online jelenségek értelmezésekor. Így említésre kerül már pl. az OLAP, a pivot, az EDI, vagy az XML.Ebben a fejezetben a technológiák alkalmazásának stratégiai kérdéseit érdemes tehát érinteni. Az alapvető stratégiai kérdést a kritikus informatikai affinitás kapcsán már meghatároztuk. Csak az adott szerveződéshez szervesen illeszkedő fejlesztések esetén aknázható ki a költségeket fedező hasznon. A kíváncsiság/presztízs és vagy a hozzá nem értés által vezérlet informatikai beruházások bukásra vannak ítélve.

189

Ezen tétel további kibontását jelenti annak az antagonizmusnak a felemlítése, mely szerint stratégiai kérdés az is, vajon „dobozolt” (paraméterezhető) információs rendszermegoldások testre szabásától, vagy egyedi fejlesztésektől várjuk-e a döntéstámogatás hatékonyságának javulását. A modellezés szintjén ez a védett, így meg nem ismerhető szerkezetű „konzerv”-modelleket, vagy a saját kreativitásunkat próbára tevő egyedi, ismert szerkezetű modelleket részesítjük-e előnyben. Hasonlóan fontos kérdés, vajon a technológia mely fejlődési szakaszában lépünk be a beruházók táborába, hiszen a lépcsőszerű fejlődésben nem mindegy, hogy egy kifutó, de kiforrott technológiára, vagy egy sokat ígérő, új, de még kockázatos technológiára tesszük-e le voksunkat.Univerzális válasz természetesen nincs. Hiszen a technológiák között választás a várható (s meg nemigen határozható) hasznosságtól kellene, hogy függjön. A bonyolult rendszerek fejlesztésével mindenkor szemben áll a véletlen (vagy nem is olyan véletlenül, hanem tudatosan kifürkészett) kulcsinformációk mindent meghatározó szerepe, melyhez a technológia és az ember kiszámíthatatlan elegye kell (csak).

Informatikai képzés a HR fejlesztésére HOM-E/O-MINING: Az információs társadalomtól elvárhatjuk, hogy a valóság egyre több tényszerű adata férhető hozzá, lényegében ingyen (verseny-semleges közteherviselés alapján) és egyre több, a nagy adatmennyiségeket intelligensen feldolgozni képes módszer születik (vö. adatbányászat), s mind ezt a technológia egyre inkább korlátlan gyorsasággal és kapacitással képes elérhetővé tenni. Az egyed ebben a környezetben akkor jár el gazdasági és talán pszichológiai értelemben is helyesen, ha kiismeri a felkínált lehetőségeket, azaz otthonosan, s a teleworking értelmében szó szerint otthonról

vezérelten (home) mozog az erőforrások kombinálásában, ha saját (homo) igényeihez és képességeihez igazítja a technológiát, s ezáltal éri el az ember-gép (gép alatt értve immár a teljes hálózati infrastruktúrát is)) szimbiózisát,

vagyis azt az egyensúlyt (homeo), mely az emberi intuíciók és asszociációs képességek katalizálására, s nem kiváltására használja a gépi erőforrásokat.

Ehhez az egyednek azonban a stabil technológiai (számítástechnikai) ismereteken túl szembesülnie kell saját modellezői képességeivel (pl. milyen gyakran képes eltalálni számára fontos jelenségek jövőbeli változásának irányát), hiszen csak az önértékelésen át vezethet az út a „homo informaticus” felé, aki valamilyen cél elérése érdekében (sem kényszerből, vagy kíváncsiság által vezérelve) alkalmazza az ICT és a matematika adta lehetőségeket.(A technológia gyorsasági és kapacitásbeli fejlődése már nem kérdéses, de talán valóban érdekes ugrás lesz, ha valaha képesek leszünk valaha analóg jelekkel való indukcióra, mely új dimenzióba helyezheti az elemzési potenciált…)

Milyen kihívásokra kell, hogy feleletet adjon a társadalom? Ahhoz, hogy a technológia fejlődése lendületes legyen, ill. ennek alkalmazása egyre racionálisabbá váljon a társadalmi keretfeltételek számos pontján kell beavatkozni. Tisztázni kell az erőforrásokhoz való hozzáférés minden szintjét, pl.: az adatvagyon közhasznú mennyiségét, ennek mindenkori technológiai hozzáférési minimumát, a dokumentumvagyon és a térképvagyon átláthatóságát, a védett adatok és a titkosítások szükségszerűségét, a matematikai módszerek (az innováció) terjedését, az egyedi szakértői (előrejelzési) pontosság dokumentálását, a technológia biztonságát, az életen át tartó képzés, önképzés keretfeltételeit, a jogszabályozás és a társadalmi/gazdasági élet ritmusának egyensúlyát.

Zárógondolatként érdemes arra rámutatni, hogy a jelenlegi gazdálkodást meghatározó extraprofit fogalmán keresztül sokan, sok esetben azt is értékként kezeli, ha a megtermelt javak az egyes gazdasági szereplők között más arányok szerint újraelosztásra kerülnek. Az információs társadalomban minden technológiai esély adva van (már ma is) arra, hogy a valóság helyesebb értelmezésén keresztül csak valódi többletértékeket tekintsünk értéknek, csak azokat, melyek a mindenkori termelési folyamatok egyensúlyi, ill. külső erőforrásokat hatékonyabban bevonó problémáira adnak választ (pl. az időjárás egyre jobb és

190

hosszabb távú előrejelzése révén egyre több napfény hasznosítható a termékekben, ill. egyre célirányosabban lehet felhasználni a vegyszereket a termelés védelmében…)Ebben a folyamatban illene a tudománynak élenjárnia, s mihamarabb saját berkein belül megkísérelni tisztázni, vajon: mit érdemes kutatni, mi számít tudományos eredménynek?Számviteli szempontból az egyetemek belső információs és kommunikációs hálózatának szintén úttörő szerepe lehetne abban, hogy az intézmény (mint tanüzem) testközeli tapasztalatokat nyújtson a jövő gazdasági vezetőinek, vagyis a hallgatóknak: milyen információs technológiák milyen élethelyzetekben milyen hatásosan és hatékonyan alkalmazhatók…

27.3. Ellenőrző kérdések

Alkosson definíciót, adjon meg egy számvitel(szervezés)i példát a definíció alapján:1. szakértők informatikai felelőssége,2. kritikus informatikai affinitás,3. hom-e/o-mining,4. adatvagyon-gazdálkodás,5. dokumentum-menedzsment,6. plauzibilitás,7. konzisztencia,8. konszolidálás.

Fejtse ki az alábbi fogalmak között megfigyelhető összefüggéseket:1. számviteli információs rendszer, vállalati információs rendszer, döntéstámogatás, információs

többletérték;2. számítástechnika, informatika, informatika erőforrásai, ideális információs rendszer;3. hatékonyság, hatásosság, számvitel;4. kritikus informatikai affinitás, BR, információs rendszerek bevezetése;5. véletlen információk szerepe, információs rendszerek létjogosultsága;6. belső és külső információs rendszerek;7. OLAP és pivot table.

Sorolja fel és számviteli példákon keresztül mutassa be:1. Milyen projekttípusok figyelhetők meg az információs rendszerek bevezetésével kapcsolatban?2. Melyek az informatika erőforrásai?3. Milyen stratégiai komponensekről kell dönteni a számvitelszervezés IT-támogatásakor?4. Melyek a döntések előkészítése során felmerülő feladatok alapvető csoportjai?5. Melyek az információs rendszerekben kezelendő tudás formái?6. Melyek az online döntés-előkészítés típushelyzetei?7. Milyen kihívásokra kell, hogy feleletet adjon a társadalom?

Tesztkérdések: Igaz-e, hogy1. a szaktanácsadók, szakértők informatikai felelősség abban áll, hogy a kiindulási helyzet és a

lehetséges cselekvési alternatívák adatai alapján minden egyes célkomponens tekintetében minél pontosabban meg tudják állapítani előre a jövőben várható változások, ingadozások irányát és mértékét, mely pontosság utólag akár ellenőrizhető is lenne?

2. az informatika többletérték termelése közvetlenül három (adatok, módszerek, IT), közvetve két (ember és társadalom) erőforrásra támaszkodik?

3. a számítástechnika az IT-lehetőségek halmazát, míg az informatika ezen belül az információs többletérték termelést biztosító részhalmazt jelenti?

4. minden plauzibilis adatsor konzisztens is egyben?

191

5. az EIS majdnem tetszőlegesen sok adat, majdnem tetszőlegesen gyors és majdnem tetszőlegesen komplex lekérdezését teszi lehetővé?

6. a BR az esetalapú következtetés angol rövidítése?7. a kritikus informatikai affinitás szintje alatt lévő megrendelők a viszonylag kevés informatikai

háttértudás birtokában kiszolgáltatottak az informatikai szolgáltatások beszerzésekor?

192

IV. KORMÁNYZATI, REGIONÁLIS, INTEGRÁCIÓS FELADATOK

28. Előszó

Az Agrárszektor-modellek című könyv közvetlenül mintegy 6 éves előzményre tekint vissza. A téma alapját adó Mezőgazdasági Számlarendszer (MSZR) – jelenleg is folyamatban lévő – magyarországi fejlesztése jelen formájában ugyanis 1995-ben indult meg PHARE támogatással, német szakértők koordinálásával, az FVM, KSH, AKII, PM és GATE (SZIE) együttműködésben. Időközben számos tapasztalat halmozódott fel, melyek azonban csak lassú ütemben találnak utat a nagy számú potenciális felhasználó felé. Felhasználó ugyanis mindenki a határokon innen és túl, aki a magyar agrárhelyzetről átfogó, ellentmondásmentes képet szeretne nyerni. A publikációk sorát a SZIE GTK Gazdasági Informatika tanszékén egy AKII projekt keretében 1996-97-ben megindított Internet szolgáltatás és az ezzel párhuzamosan keletkező jegyzetrészek sora jelentette (http://miau.gau.hu/spelgr ill. http://miau.gau.hu/miau/06/szgy97eu.doc). Ezt követte az AKII szervere és publikációi, ill. napjainkban a KSH MSZR-t érintő kiadványai (új kézikönyv, ill. első MSZR adatok). Jelenleg is folyamatban van az OPAL és az IDARA projekt, ill. előkészítés alatt áll a KSH információszolgáltatási kapacitásait bővíteni tervező PHARE projektsorozat. A téma azóta is szinten minden agrárinformatikával foglalkozó rendezvényen megjelent, s a Magyar Internetes Agrárinformatikai Újság (MIAÚ, http://miau.gau.hu) állandó, s egyre bővülő fórumot biztosított neki. Így összességében elmondható, hogy vizsgatételként az országban több ezer egyetemi hallgató, ill. tájékoztató jelleggel szakemberek százai ismerhették meg az MSZR fogalmát és az erre épülő lehetőségek körét.Az MSZR alapul szolgált számos projekthez is (RENOAAR, azaz a MSZR megyei szintű vetülete: http://miau.gau.hu/miau/01/renoaarjuni.html, ISM-MSZR-Tanulmányok http://miau.gau.hu/miau/02/mszrnew.doc, PIT, vagyis a SPEL magyarországi megalapozása: http://miau.gau.hu/miau/09/pit.doc, IDARA EU 5. keretprogram: http://www.agp.uni-bonn.de/agpo/rsrch/idara/idara_e.htm, MIVIR országos agrárinformatikai stratégia: http://miau.gau.hu/news, OMFB-IKTABU http://miau.gau.hu/iktabu, OTKA http://miau.gau.hu/miau/19/otkastudy.doc), melyek az országos tapasztalatok regionalizálását, országos szimulációs számítások előkészítését és elvégzését, ill. az országos agrár- és vidékfejlesztési információs rendszer újszerű alapokra helyezését célozták. A kormányzati tevékenység mellett e folyamatnak köszönhetően a magyarországi kutatás is a nemzetközi projekt- és konferenciaélet szerves résztvevőjévé vált. A mennyiségi fejlődés, s az eltelt idő megkívánja tehát, hogy az eddig jórészt projektjelentések, konferencia-előadások alapján felgyülemlett ismerethalmaz újrarendezésre, kiegészítésre kerüljön. Ezt ismerte fel az ITSZB, s 1999. június 2-ai emlékeztetőjében nyilvántartott tankönyvírási javaslatai közé felvette az agrárszektor-modellek című témát is. Bár a tankönyv kidolgozása, mint minden nagy szakirodalommal rendelkező téma esetében, elvileg lehetséges lett volna bizonyos szinten kizárólag a szakirodalom áttanulmányozásával, azonban a téma speciális jellege (az alkalmazott modellek know how védelme, a dokumentációk strukturálatlansága, korlátozott hozzáférhetősége) mégis megkívánta, hogy a tankönyvírását a modellfejlesztőkkel, alkalmazókkal folytatott konzultációk is támogassák. Ezzel egyetértve a DAAD 2 hónapos ösztöndíjat tett lehetővé a szerkesztőnek alapvetően a bonni egyetem Agrárpolitikai Intézetében (IAP) folytatandó konzultációk támogatására. A szakirodalom és a konzultációk mellett a RENOAAR és az IDARA projekt keretében szerzett személyes tapasztalatok biztosították azt a tudást, mely elengedhetetlenül szükséges egy gyakorlat-orientált dokumentáció kidolgozásához. A tankönyv célja tehát, hogy a hatalmas, s éppen ezért csak a teljesség igénye nélkül feldolgozható témából olyan területeket, esettanulmányokat emeljen ki és mutasson be (az első részben alapvetően a kiemelkedő referenciákkal rendelkező bonni partnerintézet tapasztalataira támaszkodva, majd egy későbbi folytatásban más fejlesztőműhelyekből pl. IAMO, Berlin, Göttingen ill. az IDARA eredményei alapján), melyek alapul szolgálhatnak a magyarországi modellek fejlesztéséhez úgy közvetlen kormányzati (ill. egyéb pl. érdekvédelmi szervezetek által történő) megrendelések, mint az egyetemi kutatások szintjén. A hazai modellfejlesztések szükségszerűségét egyrészt az EU-csatlakozás során rólunk kialakított kép megértése és befolyásolni tudása, másrészt a belső, hazai irányítási és tervezési folyamatok támogatása indokolja – magától értetődően. A gazdaságpolitikai szintű egyeztetések ad hoc jellege mellett elkerülhetetlen a nemzetközi közös szakmai nyelv és a bármely partner által érthető szakmai fogalmakkal való érvelés technikájának rutinszerű elsajátítása. Az agrárszektor-modellek témája számos területet érint (piaci

193

információs rendszer, tesztüzemi rendszer, közhasznú adatszolgáltatás, prognosztika, gazdaságelemzés, statisztika, stb.), melyek e helyen részletesen nem kerülhetnek bemutatásra, azonban a MIAÚ, mint digitális agrárinformatikai kiskönyvtár, számos impulzust tartalmaz az elmúlt évek terméséből, ill. hasznos linkeket foglal össze az aktualitások követésének támogatására.

A tankönyv szerkesztési elveiben az informatika prioritása elvitathatatlan, hiszen a könyv alapvetően hipertextes jelleggel, Internetes publikálására alkalmas formában készül, megfelelve ezzel a téma terjedelmi és komplexitásbeli sajátosságainak, s egyben az elektronikus kereskedelmi csatornákon digitális jegyzetbolton) keresztül történő terjesztés lehetőségét sem kizárva.A könyv a modellek potenciális felhasználóinak szemszögéből kísérli meg a hatalmas szakirodalmi kínálat szűrését. A felhasználó kategóriája azonban nem jelentheti a hétköznapi laikust, hanem azon szakembereket, akik átlátják az adatáramlás lényegi folyamatait, tisztában vannak a modellezés alapvető lehetőségeivel, határaival és technikáival, vagyis értik és érzik a megválaszolandó / nyitott kérdéseket. Ezen definíciónak a remények szerint azonban minden agráregyetemet végzett hallgató, s a szakmában dolgozó döntéshozó, döntés-előkészítő megfelel, már csak annak okán is, mert e modellekben rólu(n)k, s értü(n)k folyik a munka.

A tankönyv szerkezetéről:

Az agrárszektor-modellek általános ismertetés után a SPEL rendszer kapcsán több régebbi, ill. kisebb volumenű, valamint újabb, folyamatban lévő modell kerül bemutatásra. A SPEL rendszer középpontba állításának oka egyszerű. Az itt alkalmazott, s jól dokumentált modell-logika több, hasonló, ill. közvetlenül erre épülő modell jellemzését is adja egyben. A SPEL után három további bonni modell, a DIES, a RAUMIS és a WATSIM következik.Az utolsó fejezetben esettanulmányok kerülnek bemutatásra egyrészt a modellek közgazdasági-szakmai spektrumának érzékeltetésére, másrészt az eddigi eredmények validálása céljából. A mellékletben számos apró momentum (modell-jellemzés, projektek, résztvevők) kerülnek összefoglalásra, az esetleges szakmai kapcsolatok támogatása érdekében.A tankönyv számos háttérismeretre támaszkodik, kapcsolódó ismeretet kínál, melyek az irodalomjegyzékben szerepelnek, s jó részt Interneten keresztül is hozzáférhetők.

194

29. Agrárszektor-modellek általános jellemzése

Ez a fejezet az azonos című EUROSTAT kiadvány (Burell, Henrichsmeyer, Alvarez-Coque, 1995), Prof. Frohberg bonni előadása (2000.06.19.), az IAP web-oldalai és a Bonnban folytatott konzultációk alapján került kidolgozásra.

29.1. Bevezetés

Az agrárszektor-modell fogalmának definiálásakor az alábbi fogalmak emelhetők ki: alkalmazási területeik, alternatíváik, az általuk érintett szervezetek és ezek tevékenységei, működésük, szerepük a tudástranszferben (folytonosság), az időhöz való viszonyuk, szociológiai aspektusaik, felépítésük, szimulációs képességük, hatásmechanizmusuk, agrár és szektorjellegük, mikro- és makro-ökonómiához való viszonyuk.

29.1.1. Alkalmazási területek

Az agrárszektor-modellek (mint a legtöbb interdiszciplináris kutatási terület, pl. mesterséges intelligencia kutatás) definíciója leginkább alkalmazási területein keresztül közelíthető meg. Az agrárszektor-modellek tehát a makro-ökonómiai (agrárpolitikai) tervezés, döntés-előkészítés eszközei, úgy az EU, mint a nemzeti agrárpolitikai intézkedések szintjén. Az EU bővítésének folyamata hosszabb távra is különleges aktualitást ad e témának. A definícióadás következő lehetősége a „halmazelméleti” megközelítés, vagyis az alternatívák bemutatása, ill. a válaszadás arra a kérdésre, hogy mi nem számít agrárszektor-modellnek. A modellezéssel szemben gyakran tapasztalható ellenállás kapcsán már a kezdet kezdetén le kell szögezni azt a végső csattanóként is kiemelhető tételt, mely szerint az agrárszektor-modellek (sokak szemében gyanús és átláthatatlan) „alternatívái” (helyesen értelmezve, sokkal inkább kiegészítői, partnerei) a klasszikus (intuitív, asszociatív) szakértői véleményeknek. E kettő szimbiózisa vezethet az alkalmazások, döntések átlag feletti sikeréhez (vö. SPEL MFSS szakértői vélemények bevonása a modell adatainak és eredményeinek értelmezési folyamatába).Az alkalmazási területek és az alternatívák mellett az érintett szervezetek is jól jellemezhetik a fogalmat: Az agrárszektor-modellek egyszerre jelennek meg a napi (operatív, taktikai) döntés-előkészítés (politikai tanácsadás), a stratégiai háttérmunka (gazdaságelemzés, alkalmazott kutatás) és az alapkutatás szintjén (vö. gazdaságmatematika, informatika), így egyidejűleg kapcsolódnak a kormányzati, ill. érdekvédelmi szervezetekhez, a szakértői, szakmai testületekhez, a kutató intézetekhez, s egyetemekhez. Megj.: A tankönyv témája sok esetben érzékeny (politikai, szakmai) kérdéseket érint. Az aktuális kommentárok segítségével a szerkesztő arra igyekszik felhívni az olvasó figyelmét, ami ma fontos. Ma Magyarországon a nemzetközi szinten elismert, elemző-képes szakember kevés , a szakember képzés esetleges, az elemzések volumene és módszertani sokszínűsége korlátozott, a meglévő kapacitások koordinálatlanok. Ennek oka alapvetően a nemzetközi, szerves fejlődéstől való több évtizedes leszakadásban keresendő, mely tünet az idő múlásával különösebb intézkedések nélkül is enyhül, de nem szabad elfelejteni azt sem, hogy a gyakran „botcsinálta“ döntéshozók a legnagyobb jó szándék mellett sem képesek együttműködni a generációk egymásra épülő munkájaként előálló tudástömeggel, vagyis a modellekkel és a szakértőkkel. Ezért szükséges tehát a képzés, továbbképzés, tudományos ismeretterjesztés ütemének fokozása e területen is.

195

Az alkalmazási területek, az alternatív megközelítések, s az érintett szervezetek oldaláról jellemzett agrárszektor-modellek fogalmának további értelmezéséhez az ezek működésére vonatkozó általános jegyek felsorolása is hasznos lehet: Az agrárszektor-modellek olyan keretrendszerek, melyek képesek az agrárszektor működéséről rendelkezésre álló, legkülönfélébb tudáselemeket (az informatika erőforrásait: adat, módszer, technológia, ember, szervezet) integrálni annak érdekében, hogy a felhasználó az agrárszektor működéséről alkotott képet hitelessé, s a szektort magát tudatosan befolyásolhatóvá tegye. Az agrárszektor működésének ismeretéhez hozzátartozik annak – absztrakt szinten, de ok-okozati alapon való - meghatározni tudása, mi befolyásolja a szektor jelenségeit, hogyan függnek az egyes rendszerkomponensek egymástól. Egy agrárszektor-modell akkor helyes, ha az absztrakt, elméleti rendszer és a tapasztalati úton gyűjtött megfigyelések egymást erősítik, magyarázzák. Megj.: Egy szakterület definíciójának megalkotásakor a szakirodalom sok szempontot emel ki, de a legtöbbször elhanyagolja, ill. csak a margón említi azt, hogy addig nem képes az ember semmilyen cselekvést hatékonyan végezni, azaz pl. modellezni sem, amíg meg nem határozza a cél, a helyesség, a jó fogalmát. Ahhoz ugyanis, hogy egy modellt megalkossunk, nem kell más, csak némi fantázia és némi időráfordítás, de ahhoz, hogy két modell közül a számunkra jobbat (jövőben jobbat) ki tudjuk választani, már bizonyos értelemben filozófussá kell válni. S hogy mindig van legalább két modell, azt magyarázhatjuk a piacgazdaság versenyszemléletével, a kombinatorika matematikai elveivel, s sok minden mással. Az (improvizáló) ember és a modell (a konzervált emberi tudás) együttműködése tehát hatékonyan csak a jó-jobb-legjobb folyamat buktatóival való szembesülésen keresztül képzelhető el. Szakmai berkekben közismert a mondás, hogy a modellek sosem lehetnek elég helyesek, de a nélkülük hozott döntések még kevésbé. Minthogy az agrárszektor-modellek a numerikus modellezés egyik még éppen, hogy lehetséges peremterületét jelentik, mely még pl. a szociológián innen, de a fizikán meglehetősen túl van, minden alkalmazás és modellépítés esetén a legfontosabb annak „bizonyítása”, hogy az adott alkalmazás a valóság lehető legtöbb/legfontosabb hatásmechanizmusát volt képes figyelembe venni, azaz a kapott eredmények a leghitelesebbek adott pillanatban, adott helyzetben. Ellenkező esetben olcsóbb a „hasra ütésen alapuló”, vagy hogy szalonképesebben nevezzük, az intuitív döntés. Sajnos az agrárszektor-modellek fejlesztői tábora is, mint minden diszciplína esetén, egy fajta „beltenyészet”, ahová a sajátos önfejlődés miatt csak ritkán, s lassan jutnak be újszerű gondolatok. Éppen ezért minden szakma rel. gyorsan meg tud egyezni abban, mivel ne foglalkozzon. A legtöbb esetben éppen a helyesség definíciójának szisztematikus fejlesztése esik áldozatul a napi munkával szemben. Még jó, hogy a külvilág semmit nem ért a szakmai „halandzsákból”, csak azt érzékeli, mennyibe kerül a döntés-előkészítés, s talán azt is, volt-e világos cél és elértük-e azt?A definíciók sorozatához tartozik az ember, a tradíció, a folytonosság szempontjából való értékelés is: E szerint egy agrárszektor-modell egy olyan hasznos eszköz, melyben a korábbi tapasztalatok rendezett, hozzáférhető, átlátható formában állnak rendelkezésre, s éppen ez képes biztosítani az intézmények működésének, generációk együttműködésének folytonosságát (vö. tudástranszfer, szokásjog, kultúra). Az agrárszektor-modellek az időtényező szempontjából is jellemezhetők: egyrészt a modellek segítségével a múltbeli tapasztalatok tárolhatók, ellenőrizhetők, kereshetők le, rendszerezhetők, elemezhetők, másrészt a múlt alapján a jelenre és a jövőre vonatkozó elképzelések foglalhatók keretbe, ellenőrizhető ezek ellentmondás-mentessége, hitelessége.Megj.: Az agrárszektor-modellek értékét alapvetően tehát nem a tárolt adatok mennyisége, sőt igazából nem is a rendszerezettsége adja, hiszen erre a modern adattárházak és információs rendszerarchitektúrák feltehetően hasznos megoldásokat kínálnak. Az agrárszektor-modellek valódi értéke az ellentmondás-mentesség (konzisztencia) bizonyos fokú biztosításában van. Abban, hogy a rendelkezésre álló úm. tényszerű, statisztikai adatok és a fejekben megfogalmazódó elméletek közötti összhangot képesek úgy megteremteni, hogy az az érintett szakértők számára hiteles, s cselekvésük, döntéseik alapjául szolgáló lehessen. Az ellentmondás-mentesség pedig a cél, a jó, a helyes fogalmának szinonimája. Kár, hogy a modelldokumentációk éppen ezen „minőségbiztosító” eljárások bemutatásában gyengélkednek. Igaz, hogy a hitelesség – robosztusság - biztosításának eszközei magukban az alapfüggvények alakjában, eljárások logikájában jelennek meg. Kérdéses azonban, hogy lehet-e védett know how éppen az, amitől egy termék hiteles lesz? A SPEL és az IDARA projekt esetében a dokumentációk tartalmazzák szinte az összes felhasznált képletet, így jó példával járnak elől további fejlesztéseket feltételezve.

196

További, szociológiai (ember-ember kommunikációra alapuló) jellemzője az agrárszektor-modelleknek, mint piaci szolgáltatásoknak, hogy értékük attól is nagyban függ, mennyire képesek az emberek hétköznapi gondolati sémáihoz képest újszerűt felmutatni. Minél meglepőbb egy elemzés eredménye, annál nagyobb az értéke (s egyben a kockázata is) a politikus számára. Azon modelleredmények, melyek „csak az erősítik meg, amit jórészt amúgy is tudni lehetett”, megkérdőjelezik a modellezésre szánt erőforrások, s egyben a gazdaságpolitikai tanácsadás hasznosságát. Az emberi szubjektív értékítéletek, vagyis a tanácsadás, az ember-ember kommunikáció körébe sorolhatók továbbá bizonyos antagonizmusok is, melyek szerint egy agrárszektor-modell vagy pontos (azaz komplex, átláthatatlan, black box jellegű), vagy egyszerű, hiteles, de kevésbé pontos, ill. kevésbé átlátható, azaz elmarad az újszerűség, a meglepetés hatása.Megj.: Újszerű eredményeket csak újszerű hipotézisek alapján, ill. automatikus összefüggés-keresési eljárások segítségével lehet kapni. Újszerű hipotézisek megfogalmazásához az emberi intuíció és kritikus valóságszemlélet vezethet. Az automatikus összefüggés-feltárás klasszikus módja a statisztikai alapú paraméterbecslés, mely éppen klasszikus jellegénél fogva csak kis valószínűséggel vezethet újszerű felismerésékhez. A modern megközelítés a mesterséges intelligencia kutatás fogalmához kötődik. Itt tömegesen, s szinte kizárólag csak olyan összefüggések fedezhetők fel, melyekről tudjuk, hogy viselkedésük nagyban hasonlít az ismert adatok alapján feltételezett valós mintázatokhoz, de belső szerkezetükről csak keveset vagy szinte semmit nem értünk, nem tudunk. Ez a jelenség ismét csak arra mutat rá, hogy az alkalmazónak meg kell érezni a hitelesség optimumát az átláthatatlan szerkezetű, de pontosnak tűnő, s a köztudottan kevésbé pontos, de jól értelmezhető modellek arányát tekintve.

29.1.2. Felépítés

Az agrárszektor-modellek jellemezhetők továbbá felépítésükkel: egy agrárszektor-modell első lépésként egy egyszerű adatbázis, mely a későbbiekben kibővíthető kisebb-nagyobb adatfeldolgozó (előrejelző) modulokkal (modellekkel). Ezek a modulok alapvetően a döntés-előkészítést szolgálják, s ezen belül is egyrészt a jövőben várható (állapot)változások (vagyis a nem befolyásolható tényezők), másrészt a döntési alternatívák következményeinek (szituáció + út = eredmény) levezetését célozzák, valamint annak érzékeltetését, mennyire hatékony, mennyire szükségszerű egyes intézkedések meghozatala.Megj.: A tankönyv fogalomhasználatában, logikájában erőteljesen támaszkodik a gazdasági informatika képzés elméleti ismereteire, ezen belül is az SUECR modellre, vö. Pitlik, 1999: Szaktanácsadás informatikai alapjai, tankönyvrészlet, pl. http://miau.gau.hu/miau/06/tankonyv.rtf.Az agrárszektor-modellek szimulációs képessége szintén karakterisztikus: Egy agrárszektor-modell gazdaságpolitikai intézkedések („mi lenne, mi lett volna, ha” kérdések) szimulációját végzi a várható változások előrejelzésén keresztül. Amennyiben egy, még meg nem hozott intézkedés várható hatásait vizsgáljuk, akkor „ex ante” szimulációról beszélhetünk, amennyiben azt vizsgáljuk, mi lett volna, ha más intézkedést hozunk a múltban, ill. egy adott intézkedést nem hozunk meg, úgy „ex post” szimulációról beszélünk. Az előbbi esetben a politikus még meg nem hozott döntései gazdaságpolitikai kockázatát mérlegelheti anélkül, hogy ezek felelőssége terhelné, így kockázatmentesen letapogathatja a rendszer működésének befolyásolási lehetőségeit. A második esetben már meghozott döntések nyomon követéséről (vö. monitoring) van szó, ill. arról, hogy igazolni lehessen az alternatív döntések viszonylagos helytelenségét. Az agrárszektor-modellek szimulációs hatásmechanizmusa: a szimuláció mindig legalább két futtatást tételez fel. Az „ex ante” szimuláció esetében bázismegoldásnak nevezzük a jelenlegi helyzetből különösebb döntések meghozatala nélkül várható változások levezetését. Ezt követően a modell által kezelhető formában meghatározásra kerül a gazdaságpolitikai döntés, s a második futtatás ennek várható következményeit mutatja. A két jövőkép között eltérések jelentik a tervezett döntés következményeit. Az „ex post” szimuláció esetén a korábban meghozott döntés következményeit bemutató adatok az adatbázisban rendelkezésre állnak, s az első futtatás kizárólag ezen alapadatok értelmezhetőségét (konzisztenciáját) vizsgálja. A második futtatásban a meghozott döntés előtt érvényes (szabályozási) helyzet következményeinek levezetése történik. Ismét csak a két adatsor különbségei jelentik a (jelen esetben már meghozott) döntés következményeit.A definíciók eddig leginkább a modellezés e speciális válfajának jegyeit emelték ki, kevésbé koncentrálva az agrár jellegre és a szektorális jellegre.

197

Az agrárszektor modellezésekor az első és legfontosabb kérdés a modellel megválaszolandó kérdések mibenléte. Másképpen fogalmazva, milyen kompetenciával rendelkezik a kérdést feltevő politikus. Amennyiben kizárólag a termelés szűkebben vett kérdéseit akarja közvetlenül befolyásolni döntéseivel, s egyéb hatások nem tartoznak az ún. célfüggvény-komponensei körébe, úgy első megközelítésben nincs feltétlenül szüksége a beszállítók, felvásárlók, fogyasztók, a környezet, a háztartások, a vidéki élet szociális viszonyait jellemző modulokra. Világosan kell látni azonban, hogy univerzális modell nincs, hiszen az egyre sokszínűbb gazdaságpolitikai kérdések megválaszolása egyre komplexebb modelleket igényel, melyek végső soron a már ismertetett antagonizmusokba ütköznek, s nem felelnek meg azon alapelvárásnak, miszerint viszonylagos egyszerűségük és átláthatóságuk révén támogatni tudják a szakértői munkát, s ezen keresztül az emberi improvizáció és a felhalmozott tudás (modell) szimbiózisát. Az agrárszektor-modellek építése – épp úgy, mint alkalmazási területe, a gazdaságpolitika – a kompromisszumok művészete. Mindenkor meg kell találni a helyes arányt a pillanatnyi megérzések és a múltból következő trendek között. Hasonlóan a kompromisszum keresés áll a középpontjában a szektor- (makro-) szintű aggregációk és a mikro-szintű megfigyelések, jelenségek egymás mellett létezésének kezelésében. Egy agrárszektor-modell mindig absztraktabb kell, hogy legyen, mint az a rendelkezésre álló alapadatokból következne, de csak annyival lehet absztraktabb (aggregáltabb), hogy a felhasználók előtti hitelességét a le nem képezett jelenségek hiánya ne befolyásolja számottevően.

A következő fejezet az agrárszektor-modellek típusait, a tipizálás lehetséges módjait mutatja be.

29.2. Az agrárszektor-modellek típusai

Az agrárszektor-modellek tipizálásánál a legkülönfélébb szempontok kerülhetnek nagyító alá: mennyi a leképezett régiók, országok száma? mennyi az output javak száma (ezen belül mezőgazdasági jellegűek száma)? tartalmaz-e mikro-ökonómiai restrikciókat a modell (igen, nem részben)? tartalmaz-e endogén árszámítási mechanizmust (igen, nem)? tartalmaz-e endogén piacokat a „faktorok” (az értékcsökkenés, a földbérlet, a bérek, a kamatok, adók és

támogatások esetén - igen, nem, részben)? statikus, vagy dinamikus modellről van szó? lineáris vagy sem a modell? milyen az endogén (modellben számított) és az exogén (kívülről a modellnek megadott) változók aránya

és tartalma? etc.A következőkben néhány lehetséges típus kerül kiemelésre. Tudni kell, hogy az alábbi típusok nem egy szisztematikus rendszer egymást kizáró elemei, hanem jórészt önkényes, csak bizonyos jegyek kiemelése alapján alkotott csoportok, melyek azonban valóban fontos különbségekre (modellezési iskolákra, alaptechnikákra) mutatnak rá. A rendszerezés szisztematikussága elleni érv az is, hogy maguk a modellezők is egyre inkább hajlanak a hibridizációra, vagyis a legkülönfélébb megoldások integrálására.A mellékletben megtalálható a feldolgozott modellek felsorolása rövid jellemzése, ill. néhány kiemelt modell részletesebb jellemzése.

29.2.1. Programozási modellek

E modellek azon vállalatgazdasági, döntéselméleti megfontolásra támaszkodnak, mely szerint helyes döntés az, amely a megadott keretfeltételeknek (restrikcióknak – elméleti megfontolásoknak, empirikus tapasztalatoknak) megfelel és a megadott célfüggvény esetén optimális (maximális jövedelmet, minimális termelési költséget) eredményt biztosít. Ilyen típus feladatnak számít: pl., ha keressük az erőforrások lekötésének helyes arányait, adott (exogén) technológiai keretfeltételek, adott

kapacitások, adott árak és exogén módon megadott kereslet mellett, a termelés költségeinek minimalizálása érdekében,

198

exogén módon megadott technológiai keretfeltételek, erőforrás-lekötés és árak mellett, keressük (endogén módon számítjuk) a mezőgazdasági kínálat azon volumenét, mely a gazdálkodók nyereségének maximalizálását biztosítja,

keressük az árak és a mezőgazdasági kibocsátás optimumát a kereslet megadása, valamint a fogyasztók és termelők együttes közös hasznának maximalizálása mellett.

A programozási modellek tipikus példája a lineáris programozás (LP), ill. ennek továbbfejlesztett változatai (NLP, QP). Ezen modellek képesek számos technológiai, vagy regionális változattal (aktivitással) manipulálni, ill. a kapacitásokon és keretfeltételeken keresztül számos valós helyzetet szimulálni. Az előnyös tulajdonságok mellett ki kell térni a módszer korlátaira is: csak konstans ráfordítás-hozam kapcsolatok modellezhetők (Leontyieff-technológiák), az aktivitások száma nem lehet nagyobb, mint a restrikciók száma, a különböző keretfeltételek esetén kapott megoldások egy része értékelhetetlen (irreális), ill. logikailag nagyon távol van egymástól, az ún. szuboptimális megoldások elvesznek, ill. nem mindig oldható meg egy adott feladat, vagy ha igen, csak jelentős időráfordítás mellett.A programozási modellek tipikus alkalmazásain túl minden egyéb bővítés a hibridizáció irányába vezet. Abban az esetben például, ha adott termelői árak, technológiai koefficiensek, erőforrás-kapacitások mellett keressük a mezőgazdasági termelés várható szerkezetét, képesek lehetünk differenciált technológiai és üzemtípusokat vizsgálni, amennyiben ezek eredményei aggregálhatók. Ez a modell azonban nem képes közvetlenül bizonyos gazdaságpolitikai intézkedések hatásait szimulálni az innovációs készségre (új technológiák bevonására), ill. az erőforrás-lekötésre, ill. csak akkor képes, ha az árképzés rendszerét belső számítási eredmények formájában képezzük le (endogenizáljuk). Mindaddig míg a termelői árak alakulása teljesen a gazdaságpolitika hatása alatt áll, ez a kérdés irreleváns, feltételezve azonban, hogy az árak csak részben a kereslet-kínálat törvényei szerint alakulnak, a kérdésfeltevés jogossá válik. Az árak számítása megköveteli a termékkínálat és az erőforrás-kereslet, valamint ezek összefüggéseinek modellezni tudását.

29.2.2. Ökonometriai modellek

Az átfogó szimulációs modellek egyik típusát jelentik. Objektumokból, ezek tulajdonságaiból, s a tulajdonságok közötti kapcsolatokat leíró paraméteres függvények sorozatából állnak. A paraméterek a rendelkezésre álló (exogén) adatok alapján statisztikai (ökonometriai) úton becsülhetők, s így ezek megbízhatósága is tesztelhető. Ezen tesztek értelmezése azonban számos interpretációs lehetőséget rejt magában. Így a tesztek értéke megkérdőjelezhető. Az ökonometriai modellek a rendelkezésre álló adatokban megbúvó statisztikailag felfedhető kapcsolatokat foglalják össze, s nem feltétlenül kell, hogy megfeleljenek azon mikro-ökonómiai törvényszerűségeknek, melyek a termelők és fogyasztók racionális kereslet-kínálati reakcióit jellemzik, mely tulajdonság legalább annyira előnyös, mint kritikus. Amennyiben kellő mennyiségű és minőségű adat áll rendelkezésre, úgy technológiai és idősoros összefüggések is feltárhatók. A módszer korlátai: jelentős alapadat-igény merül fel az alkalmazáskor, „ex ante” szimulációk esetén újszerű jelenségek nehezen modellezhetők, amennyiben egy adott reakció

még nem fordult elő az adatok által jellemzett, korábbi tapasztalatok és ezekből nyert összefüggések között,

az adatokból való összefüggés-generálás korlátozott, hiszen a figyelembe vehető függvénytípusok az elméleti megfontolások alapján, az ezeknek való megfelelés mértéke szerint kerülnek szűkítésre.

Itt érdemes megjegyezni, hogy a modellek minőségét a restrikcióknak megfelelő adatkombinációk megtalálása, ill. ezek közül a célfüggvénynek leginkább megfelelő változat kiválasztása jelenti. Mindazon elvárások, melyek adott logika mellett nem kezelhetők, beemelhetők a rendszerbe exogén módon előírt hatásként, ill. más logikájú modellek paraméterezett meghívása alapján, ahol a másik modellnek átadott paraméterek annak inputadatait jelentik.

199

29.2.3. Általános egyensúlyi modellek

Az átfogó szimulációs modellek másik típusát jelentik. Alapvetően a nemzeti számlák rendszerére épül, s megkísérli az egyes számlák (termelés, háztartások, költségvetés, külkereskedelem, stb.) közötti mozgásokat jellemezni. Egy ilyen modell képes pl. az agrárszektort részletesebben, míg az egyéb szektorokat aggregáltabban kezelni. Az általános egyensúlyi modellek lehetővé teszik a mezőgazdaság és az egyéb gazdasági ágak kölcsönhatásainak leírását, s megfelelnek azon mikro-ökonómiai törvényszerűségeknek, melyek a termelők és fogyasztók racionális kereslet-kínálati reakcióit jellemzik. Alkalmazási típuspéldaként említhető a 80-as évek közös agrárpolitikájának munkaerőpiacra gyakorolt negatív hatásának kimutatása. A módszer korlátai, jellemzői: a modell paraméterei általában nem adatsorok alapján kerülnek becslésre, hanem egy adott bázis év

számláinak kalibrálása útján, ill. különböző adatforrások szakértő szintű értékelése (szintetizálása) után, az ökonometriai modelleknél általában egyszerűbb függvénytípusokat használ, mely tulajdonság

egyrészt csökkenti a leképezhető komplexitást, másrészt növeli az átláthatóságot, az ad-hoc, ill. esetleges paraméter-meghatározás miatt ajánlott a szisztematikus paraméterváltoztatások

melletti érzékenység-vizsgálat.Itt kell továbbá megemlíteni, hogy azon egyensúlyi modellek, melyekben feltételezésre kerül, hogy a termelők és fogyasztók egyszerre és teljes körűen reagálnak a gazdaságpolitikai változásokra, statikus modellnek nevezendők. Itt az egyes reakciók előrejelzett mértékéhez nem rendelhetők hozzá ezek várható lefutási görbéi, karakterisztikus időpontjai. Ezzel szemben azon modelleket, melyekben a reakciók időbeli lefutása számítható (s ez érdekli igazán a politikusokat) dinamikus modelleknek (vö. parciális egyensúlyi modellek) nevezzük. A statikus modellekkel a kumulatív hatások, ahol is az egyes részreakciók egymást kioltó, vagy gerjesztő kölcsönhatásai endogén módon számítandók, nem modellezhetők. Az ún. statikus modellek egy része az exogén módon megadott időbeli változások feldolgozásán keresztül részben dinamikussá tehető. A dinamikus modellek által szimulált reakciógörbék sok esetben csak a modellező hipotézisei, nem pedig empirikusan alátámasztott összefüggések leképezésén alapul. Egy teljesen dinamikus modell endogén értékei azonos exogén adatsorok mellett is változhatnak az időtényező léptetésével.

29.2.4. Hasonlósági modellek

Az eddig ismertetett három modellcsoport a klasszikus modellek tipizálását jelenti. A következőkben olyan, a hibridizáció során fontos modulok kerülnek bemutatásra, melyek a statisztikai megközelítés helyett a mesterséges intelligencia kutatás eredményeire alapoznak. A hasonlóságelemzés a szakirodalomban több, önállónak tűnő területet is érint (benchmarking, eset-alapú következtetés, azaz CBR, induktív szakértői rendszerek, JOKER, klasszifikáció, abdukció, fuzzy rendszerek, stb.). A hasonlóság elemzésekor abból indulunk ki, hogy strukturált adatmodellek (pl. objektum-attribútum mátrixok) alapján egymástól tetszőlegesen távol objektumok közötti viszonyok vizsgálhatók ezek többé-kevésbé standardizált (azonos definíció szerint megállapított) attribútumainak értékei alapján. Így képes maga az ember is a történelem legkülönbözőbb választásairól rendelkezésre álló adatokból egy jelenleg folyó választás eredményére vonatkozó becsléseket tenni, ill. egy ember-orvos egy állatot meggyógyítani, egy alkotmányjogász egy vitás kérdést megítélni, egy technikus tetszőleges szerkezetek működési logikájára, s ez által hibájára rájönni, etc. A hasonlósági modellek első lépésként a strukturált adatok és a hasonlóság mértékét megadó hasonlósági függvény alapján kiválasztják egy következményeit tekintve ismeretlen helyzet ismert következményű rokonait. Második lépésként a leghasonlóbbak közötti eltérések alapján módosítják az ismert következményeket, s így igyekeznek megfelelni a valós folyamatoknak. E rendszerek tehát egyrészt attól válnak konzisztenssé, hogy a valóság már ismert állapotkombinációt adják meg elsődleges eredményként. Másrészt attól konzisztensek, ha a leghasonlóbb helyzetek eltéréseiből következő módosításokat bizonyos egyidejűleg betartandó restrikciók mellett végzik el. Ez utóbbi elvárás lényegében azonos az ökonometriai modellek elvárásaival. A hasonlósági modellek az absztrakció bármely szintjén bevethetők, s jól képesek integrálni a szakértői véleményeket. A hasonlósági modellek belső szerkezete lehet kézi vezérléssel kialakított (pl. CBR), de az alapadatokra támaszkodva generált is (pl. induktív szakértői rendszerek, Joker). Alkalmazási példaként a tőzsdei előrejelzések, marketing-akciók tervezése hozható fel.

200

29.2.5. Celluláris automaták

E helyen – utalva a gazdasági informatika oktatás elméletére és esettanulmányaira (Balmann: Az üzemméret alakulásának szimulálása az egyesült Németországban) – annyit érdemes kiemelni, hogy az emergens, vagyis a csoportos viselkedés tanulmányozásának egyik hatékony eszközét sejtes, vagy celluláris automaták jelentik. Az agrárszektor-modellek esetében leginkább a regionális problémák esetében alkalmazhatók, hiszen alapvetően térbeli kapcsolataikkal és egyéb attribútumaikkal jellemzett cellák, sejtek (objektumok: táblák, üzemek, országok) generációról-generációra (azaz időről-időre) történő kölcsönhatásait képesek viszonylag egyszerű, ill. tetszőlegesen komplex összefüggéseken keresztül szimulálni. Ezzel ismét a klasszikus programozási és ökonometriai modellekkel vethetők össze.

29.2.6. Monte-Carlo módszerek (MCM)

A szimulációk kapcsán a szakirodalom gyakran említi az MCM fogalmát. A MCM nem más, mint egy előre definiált, paraméteres számításmenet véletlenszerű (esetlegesen valamilyen célirányosabb keresési stratégiával támogatott) megoldása. Példaként egy LP találgatással történő megoldása hozható fel, mely mindig produkál, ha szuboptimálisan is, de megoldásokat, s viszonylag kevés próbálkozással már min. 90% feletti pontossággal képes megközelíteni az analitikus megoldás eredményeit. Világosan kell látni, hogy úgy a hasonlósági modellek, mint a celluláris automaták, ill. a MCM-ek akkor helyesek, ha a konzisztencia kritériumait világos képletsorok formájában tartalmazzák. Az LP és az ÁKM (ágazati kapcsolatok mérlege) (vö. egyensúlyi modellek) típusú megközelítések kedveltsége azzal magyarázható, hogy a bennük rejlő automatizmusokat (restrikcióknak való megfelelés, ill. bizonyos mérlegszerűségek visszatükrözése –patent- megoldások) más módszerek esetén (vö. ökonometriai modellek) fáradságos és aprólékos munkával kell pótolni. Ezen alkotó tevékenység ellenértéke azonban a teljesen rugalmas és bármikor átalakítható, fejleszthető modellszerkezetben testesül meg.

29.2.7. Genetikus algoritmusok

A genetikai, vagy genetikus algoritmusok a MCM-ek továbbfejlesztéseként értelmezhetők. (További részletek a gazdasági informatika tananyagaiban találhatók!) Azokban az esetekben (pl. szállítási, technológiai problémák), ahol a megoldási alternatívák száma nagy, s az analitikus megoldást apróbb-nagyobb matematikai problémák nehezítik, de a véletlenszerű találgatás esélye viszonylag alacsony, ott szükségszerű egy átmeneti (irányított keresését szimuláló) megoldási módszer alkalmazása. A genetikus algoritmusok „trükkje“, hogy a biológiai folyamatok (mutáció, cross-over, szelekció, evolúció) egyszerű matematika szimulációja (leképezése) segítségével képesek egy fajta irányított keresésre. Ezáltal hatékonyabbak, mint a MCM-ek, s minden esetben képesek megoldást adni, szemben az analitikus megoldásokkal. A genetikus algoritmusok egyben lehetőséget adhatnak újszerű megközelítések automatikus feltárására is, hiszen az automatikus programozás egyik válfajaként is értelmezhetők.

29.2.8. Általános előrejelző modellek

Az agrárszektor-modellek építőköveinek tekinthetők. Egy részük a statisztikai eszköztárba sorolható (függvényillesztési eljárások, exponenciális simítás, mozgó átlagok, etc.). Másik részük leginkább a mesterséges intelligencia kutatás terméke (mintázatkeresés, függvénygenerátorok, neurális hálózatok, szakértői rendszerek, etc.). Önmagukban általában nem képesek az eddig ismertetett konzisztencia-törekvéseket (mérlegszerűséget, egyensúlyi állapotokat) biztosítani, azonban egymással és józan szakértői megfontolásokkal kombinálva ezen hiányosságok kiküszöbölhetők (vö. ökonometriai modellek). A legtöbb esetben a valóságnak való megfelelés valószínűsége, mértéke kifejezhető (vö. korreláció, becslési pontosság). A mesterséges intelligencia jellegű megoldások esetén magától értetődően képezhetők komplex célfüggvények, melyek lényegében megfeleltethetők a konzisztencia kritériumoknak is. Minél komplexebb minősítő-rendszerrel (célfüggvény) ellenőrizzük a kombinatorikai térben bejárt út elemeit (függvények), annál lassabb lesz a tanulási folyamat, s annál kisebb a valószínűsége a kellően helyes numerikus megoldásoknak. Amennyiben egy célfüggvény egyetlen tényezőre vonatkozó becslések beválási valószínűsége szerint szűr, úgy egy második lépésben megtehető, hogy a jövőkép egyedileg kialakított

201

pontjait (egyedi függvények egyedi becslései) egymással szembeni konzisztencia-vizsgálatnak vessük alá, s azok kerüljenek megtartásra az egyedi megoldások alternatívái közül, mely a legkevesebb konfliktushelyzetet adják együttesen. Ez a megközelítés egyben a céltalanság tételének látszólagos megkerülését is jelenti.Az általános előrejelzéső modellek egyik esettanulmányszerű alkalmazását az IDARA projekt keretében maga a Gazdasági Informatika Tanszék végezte el. A vizsgálatok célja az 1998-as átlagév és a 2006-os átlagév termésátlagai közötti különbségek becslése volt (http://miau.gau.hu/miau/31/otkastudy2.doc, OTKA study II.).

29.2.9. Általános szimulációs modellek

Az eddigi csoportosítások során szó esett az agrárszektor-modellek klasszikus és újszerű megközelítési módjairól. Az utolsó pontban – néhány, nem közvetlenül az agrárszektor-modellezést érintő tapasztalat alapján – a szimulációs modellek sokszínűsége kerül terítékre, annak okán, hogy a más területeken levont tanulságok további ötletekkel szolgáljanak az agrárszektor-modellek építőinek számára is.

Mikro-ökonómiai modellek tapasztalataiAz alábbi, általános érvényű értékeléshez a giesseni Justus Liebig egyetemen folyó mikro-ökonómiai modellek készítésének tapasztalatai adták az közvetlen alapot.A mikro-ökonómiai modellezés célja, területei: a mezőgazdasági vállalat alapvetően számviteli információs rendszerének keretében történő

adatgyűjtések kiegészítése (főleg a naturális adatok rendszerezését segítő analitikákkal), a tervezés, a döntés-előkészítés (pl. technológiai tervek, optimális erőforrás-allokáció, gépek,

tenyészállatok selejtezése, növényvédelmi intézkedések szükségszerűségének és technológiájának meghatározása, beruházások tervezése, cash flow tervezés, finanszírozás tervezése, stb.) támogatására.

Határterületnek számít, s Magyarországon (a viszonylag kevés / megbízható adat, ill. az adatközlési hajlandóság erőteljes csökkenése miatt) kevéssé alkalmazzák az üzem-összehasonlításokat támogató elemzéseket. A mikro-ökonómiai modellek erőteljesen kötődnek a termelés biológiai-ökológiai folyamatait leíró termelési függvényekhez (hozamfüggvények, kárgörbék, költségfüggvények, etc.). A közhiedelemmel ellentétben, miszerint jól működő termelési függvények nagy számban léteznek, az igazság inkább az, hogy még demonstrációs (oktatási) célokra is nehezen találhatók megfelelő referenciákkal rendelkező megoldások (vö. Csáky: Operációkutatás, 1980). Noha nyugati tapasztalatok világosan rámutatnak arra, hogy az üzemi eredmény nagymértékben az üzem vezetőjének, ill. az egyes feladatokat végrehajtó munkatársaknak mentális-kulturális állapotától függ (vetés-egyenletesség, fejés közben az ember és az állat viszonya, vagyis a gondos gazdaként való tevékenykedés), hazánkban e szocio-ökonómiai kérdéskörnek (mely a folyamatok pontos modellezhetőségnek egyik legfontosabb hátráltatója) kevesebb figyelem jut.A mikro-ökonómiai modellek általában nem maguk becslik a rendszer magjaként funkcionáló termelési függvényeket, lévén nem férnek hozzá a kísérleti adatokhoz. A szakirodalomból átvett egyszerű (néhány vagy csak egyetlen független változó és a hozam közötti kapcsolatokat leíró) függvényeket megkísérlik egy fajta szabályrendszer alapján (pl. táblázatos hozzárendeléssel) a legkülönbözőbb környezeti feltételek (elővetemények, műtrágyázási, növényvédelmi szintek, stb.) esetén elvárható tapasztalatoknak szakértői úton megfeleltetni. Így ezen modellek nehezen verifikálhatók, azaz nem ismert, milyen pontossággal is képes egy valahol tesztelt modell más körülmények között a hozamok előrejelzésére. Sajnos az ad hoc szakértői kalibrálás eredményeként a modellek egyre szövevényesebb struktúrát öltenek, s átláthatóságuk csökken. Megj.: Olyan mértékben csökken a modellek interpretálhatósága, hogy egy tapasztalt felhasználó sem feltétlenül képes önállóan saját körülményeihez igazítani egy máshol már működőképesnek tartott programverziót. Másrészt nagyon ritkán tapasztalható, hogy a modellezők olyan támogatást nyújtanának a felhasználóknak, mely alapján tudni lehet, mely inputok szükségesek adott output kiszámításához, a végzett műveltek soráról már nem is beszélve. Így az elvárásokkal szemben, miszerint egy mikro-ökonómiai modell

202

kevésbé komplex, mint egy agrárszektor-modell, azt lehet elmondani, hogy e területen semmivel sincs kevesebb módszertani probléma és buktató, mint a makroszintű modellek esetén.

Állandó vitát jelent a makro-ökonómiai modellektől eltérően, hogy a tanácsadás során a tanácsot kérő saját üzeméről (részletes talaj- és klimatikus viszonyok, fajták reakciói a mikrokörnyezetre, stb.) nagyon sokat tud, s a modellek (szaktanácsadók) általánosabb tudásanyaga ezzel sokszor nem tud mit kezdeni. Így a tanácsadás folyamata hiteltelenné válik. Ez az eset nemigen fordulhat elő egy politikus és egy közgazdász-tanácsadó viszonylatában. Az üzemi szintű tanácsadás támogatása és hitelessége nagyságrendekkel javulhat, amennyiben a résztábla / parcella-orientált gazdálkodás, a precision farming teret hódít, hiszen ez a felbontási szint már sokszorosan meghaladja a gazda intuitív tapasztalati szintjét. Kérdéses természetesen, hogy a felbontás növelés (a döntések alapjául szolgáló területegysége méretének csökkenése) valóban probléma-adekvát-e, vagy ismét csak a kompromisszumos megoldás (táblán belüli nagyobb foltokban való gondolkodás) hódít majd teret, mely felveti a gondos gazdák intuitív képességeinek felértékelődését.A döntés-előkészítés kritikájaként kell említeni, hogy a döntéssel nem befolyásolható tényezők (vö. események) előrejelzése helyett a döntéshozó kockázatokhoz való hozzáállása kerül előtérbe (vö. Mini-Max elv és társai), mely elfedi a probléma lényegét, vagyis azt, hogy a kockázathoz való hozzáállástól soha nem függ pl. az időjárás alakulása, így a helyes döntés valószínűsége egyenlő a véletlen találgatáséval . A helyzet valamivel jobb a várható érték alapú megközelítéskor, ám ez esetben szinte magától értetődően mond le a gazdálkodó arról, hogy az átlagos időjárási helyzetre való felkészülésen túl adaptívabban járjon el, vagyis az előrejelzett speciális helyzetekre felkészüljön. Így az átlag bűvöletében élő versenytársakhoz képest realizálható extraprofit is elmarad természetesen.Az időjárás és a talaj mikro-hatásai alapvető problémát jelentenek a modellezésben, hiszen a meteorológiai állomások telepítése drága, ill. nem készülnek finom felbontású interpolációk a meteorológiai állomások közötti területekre, valamint a talajvizsgálatok sűrűsége sem fokozható tetszőlegesen. Nem véletlen tehát, hogy a potenciális felhasználók lényegében nem alkalmazzák manapság ezen modelleket, hiszen ennyi hibával már ők is tudnak (intuitívan) tervezni, s mindezért még fizetni sem kell, ill. elmarad a nehézkes betanulási idő. Az is hozzátartozik az igazsághoz, hogy a mezőgazdaság jövedelmi pozícióinak fokozatos és folyamatos gyengülése legnagyobb mértékben a szoftveres döntéstámogatás piacán volt lemérhető. A 90-es évek előtt még úgy tűnt, hogy a rel. tőkeerős nagyüzemek jól kiképzett szakemberei hajlandók, s tudnak is modellekben gondolkodni. A nagy tömegű, tapasztalatlan, állandó jogi bizonytalanságban élő kistermelői réteg megjelenésével a döntéstámogató modellek piaca nem bővült, sőt egyértelműen visszaesett.A döntéstámogatás esetén mindig érdemes beszélni a szolgáltatás / termék költségeiről, s az elvárható hasznosságról: A mezőgazdaságban az üzemi döntések támogatására a koncentráció alacsony foka és a jövedelemtermelő képesség hiánya miatt egyszerűen nem rentábilis a modellfejlesztés. A feladat bonyolultsága azonos az agrárszektor-modellekével, azaz a fejlesztés költségei itt is magasak, azonban az egyes döntéshozók által megmozgatott erőforrások összege kicsi, s a nagy értékesítési darabszámban is csak akkor lehet gondolkodni, ha a szoftver alkalmazása szinte kötelező (pl. térinformatikai adatokkal támogatott támogatásigénylés rendszere az EU-ban). A modellek konkurensei, s így a nagy számban való elterjedés gátlói a szaktanácsadók. A szaktanácsadás számára készülő szoftverek pedig támogatott fejlesztési projektek nélkül nem képzelhetők el. Mindezen módszertani nehézség hátterében pedig az adatbázisokhoz való hozzá(nem)férés, az úgy mikro-, mint makroszinten rendezetlen adatvagyon-gazdálkodás áll!

Üzleti (döntési) játékok tapasztalataiA klasszikus üzemi tervezést támogató modellek mellett megtalálhatók az általánosabb közgazdasági döntéseket szimuláló eljárások is, mint pl. az üzleti játékok rendszere (vö. HPC - Hungarian Prodictivity Center). Ez esetben több, fiktív vállalkozás játszik egymás ellen egy –több fiktív termék piacán. A termékek termelése mellett a költségeket a gyártási kapacitások megszerzése, a technológia kifejlesztése és folyamatos (lépcsőzetes) továbbfejlesztése, az értékesítési hálózat (ügynökök) kialakítása, a szociális és képzési juttatások, a készletezési stratégiák, piackutatási, konkurencia-felmérési megbízások, hitelfelvétel stb. befolyásolják. A költségekkel klasszikus könyvviteli szabályok szerint kell periódusról periódusra elszámolni. A kínálatot és az árak alakítását a döntéshozók szabályozzák. A keresletet a szimulációs

203

algoritmusok alapján a program generálja. A valóban realizált értékesítés és a vállalkozás múltja (kapacitásai, erőforrásai) ill. stratégiája, valamint a konkurenciáról szóló hírek alapján a menedzsment periódusról periódusra dönt a termelésről és ennek keretfeltételeiről. Sok-sok iteráció után az egyes konkurens vállalkozások által befutott utak értékelhetők a résztvevők által anélkül, hogy létezne a legjobb vállalkozás definíciója.Szokásos módszer a tőzsdei szimulációs játék is, amikor a játék résztvevője szabadon gazdálkodhat bizonyos fiktív összeggel, s befektetéseit a valós piaci mozgások alapján értékelik. Ezen játékok legjobb befektetői-döntéshozói (nyertesei) azonban a gyakorlati-mindennapi életben, saját valós pénzüket felhasználva egészen más jellegű, biztonságos (vagy annak vélt), de általában kevesebb hasznot hozó befektetéseket kedvelnek. Általában sem a játék során, sem privát döntéseikben nem használnak algoritmizált módszereket, intuitív döntéseket hoznak, illetve szakértőket (brókereket, elemzőket) kérdeznek illetve hallgatnak meg.

Egyéb döntéstámogató modellek tapasztalataiA mikro-ökonómiai modellek is alkalmazzák az exogén változókkal való együttműködés logikáját (vö. Malinfo, http://miau.gau.hu/miau/01/malinfo.html). Egy malom esetében a „mikor, mennyi búzát érdemes venni, milyen finanszírozás alapján” komplex kérdés merül fel. Amennyiben exogén változóként bekérésre kerül az árak várható alakulása termékminőségi kategóriánként és felvásárlási körzetenként, ill. a várható lisztkereslet, a termelés technológiai költségei, valamint a raktározási és a hitel felvételi formák költségei, akkor egy ún. modell már csak ezek szakmailag helyes egymáshoz rendelését, vagyis az eredményszámítási képletek sorát kínálja a felhasználó számára. Endogén módon csak egzakt, azaz tévedhetetlen képletek alapján kalkulált eredményeket kapunk. Az exogén változók körének ilyen mértékű kiterjesztése felveti annak kérdését, szabad-e a felhasználóra hárítani pl. a búza áralakulásának becslését, mikor maga a probléma (idősor-előrejelzés) számos megoldási módszerrel is megközelíthető. S ha már a felhasználó kell, hogy felvállalja a döntés helyességét alapvetően befolyásoló becsléseket, akkor mindenképpen érdemes egy kis monitoring modult illeszteni a rendszerhez, mely a tényleges árak ismeretében a felhasználó előrejelzési pontosságát is képes kiszámítani.Amennyiben a modellező felvállalja a döntést befolyásoló jelenségek előrejelzését (vö. növényvédő-szerek készletgazdálkodási problémáinak optimalizálása Brazíliában a csapadékmennyiség statisztikai alapú előrejelzésével, http://www.zadi.de/gil), akkor különösen fontos, hogy az előrejelzések beválási gyakoriságát figyelemmel kísérjük, ellenkező esetben például az átlagos csapadékmennyiséghez tartozó idealizált készletezési stratégia tűnhet az egyedül üdvözítő megoldásnak, noha az évek egy részében a szárazság határozza meg a növényvédelmi munkálatokat.

29.3. A modellek általános értékelése

A modellek értékelésének számos szempont vehető figyelembe, de ezek két fontos csoportba sorolhatók: elméleti, statisztikai értékelés (tisztán tudományos szempontból vizsgálja a modellek megbízhatóságát), hasznosság (vizsgálja a felhasználóban a modellről kialakult képet).Az elméleti értékelésnél elsődleges feltétel, hogy egy modell alapadatait tekintve konzisztens alapadatbázisra épüljön. A helyes alapadatbázis kialakítása így lényegében megelőzi a klasszikus modellezési feladatok megkezdését. Amennyiben az adatbázis kiugró értékeket tartalmaz, meg kell vizsgálni ezek eredetét és a későbbi számításokra gyakorolt várható hatásukat. Abban az esetben, ha a kiugró értékek egy fajta hibás adatrögzítés, vagy mérési hiba folytán álltak elő (vö. plauzibilitás tesztek), ezeket érdemes egyszerűen törölni, ill. szakértői becslésekkel helyettesíteni. Akkor azonban, ha a kiugró érték valós eseményekre utal, (pl. szélsőséges időjárási helyzetekből következő alacsony terméseredmények), az adatokat nem szabad egyszerűen eliminálni. Azt azonban figyelembe kell venni a tovább-feldolgozásnál, hogy már egyetlen kiugró érték is képes lehet pl. egy trendfüggvényt visszájára fordítani, s így az általános elvárásokkal szembeni eredményeket produkálni. A kiugró értékekhez hasonlóan fontos konzisztencia-problémát vet fel a naturális és értékadatok (monetáris adatok) összhangjának megteremtése. Ennek egyik oka azon egyszerű tényben keresendő, hogy statisztikailag ugyan minden gyűjthető lenne, de ennek finanszírozása horribilis összegeket emésztene fel.

204

Az eltérő részletezettségű, reprezentativitású adatgyűjtések pedig eltérő aggregációs hibákhoz vezetnek. Így következhet be az, hogy az országban műtrágyára költött forint összeg és az egyes növények technológiai igényei, valamint a hektáronként költségfelhasználás nem „akar” magától értetődően egy tetszőlegesen kis mértékű hibán belül maradni.Miután az alapadatok minősége már nem kérdéses, az alapadatokra támaszkodva becsült modellparaméterek ellenőrzése következik. Amennyiben egy modell ökonometriai alapon került paraméterezésre, úgy számos statisztikai teszt és próba áll rendelkezésre annak letapogatására, mennyiben hitelesek a kapott eredmények. Ha azonban a paraméterek pl. egyetlen év adatai alapján kerültek úm. kalibrálásra, ill. számos információforrás alapján szintetizálásra, akkor már nem lehet az ismert tesztekre támaszkodni, noha mint ez már említésre került bizonyos érzékenység-vizsgálatok segíthetnek a várható modellreakciók feltárásában.Úgy elméleti, mint gyakorlati, alkalmazási szempontból fontos a modellek deskriptív (tanulási) pontosságának ellenőrzése. Ez nem más, mint valamely kiindulási feltételrendszer (pl. exogén értéksor) elfogadása után olyan modelleredmények produkálása, azaz olyan (endogén) változók olyan időpontjaira vonatkozó becslések készítése, melyekre vonatkozóan már a tényadatok is rendelkezésre állnak. A tekintetben sajnos szintén nem lehet világos útmutatásra találni a szakirodalomban, vajon milyen mértékű és irányú eltérések tekintendők jobbnak egy tetszőleges más szerkezetű eltéréssornál (vö. céltalanság tétele a gazdasági informatika alapjainál). Így az sem dönthető el egyértelműen, hogy két hasonló paramétersor közül melyiket is kellene favorizálni, azt várva, hogy a kiválasztott paramétersor a valós alkalmazásokban „helyesebb” eredményekre vezet majd. Megj.: Ha a modellek kialakításánál, tesztelésénél nem lehet a jót a jobbtól megkülönböztetni, úgy ez a valós alkalmazásoknál sem lehetséges. Ilyen értelemben a modellválasztás körüli elméleti falak a modellek valós alkalmazás utáni értékelésénél tág teret engednek egyéb (politikai, személyes, üzleti) szempontoknak is.A hibastruktúrák viszonylagos értékelhetetlensége azért kiegészítendő azzal, hogy bizonyos egyszerű elvek szem előtt tartásával szóba jöhető modellek köre azért szűkíthető: egy-egy kontingencia koefficiens értéke legyen minél magasabb, azaz a modell legyen képes minél

hatékonyabb klasszifikálásra, a rangsor-korrelációs koefficiensek (vö. a pár-összehasonlítások átlagos helyességi) értéke legyen minél

magasabb, azaz a modell legyen képes legalább a vizsgált objektumok (jelenségek) sorrendjeit jól visszatükrözni,

trendjellegű elemzéseknél a változások irányának minél nagyobb arányban való előrejelezni tudása fontos, s ez az előbb említett két koefficiens-forma bármelyikével vizsgálható,

a metrikus koefficiensek szintjén elvárás lehet, hogy az átlagos hiba (ill. négyzetes hiba-összeg) minél alacsonyabb legyen, de az azonban már nem értékelhető egyértelműen, hogy egy átlagos mérték mögött sok apró hiba átlaga, vagy sok pontos becslés és néhány nagy hiba átlaga jelent-e előnyösebb modellt (vö. http://miau.gau.hu/miau/31/otkastudy2.doc OTKA study II.).

Megj: Sajnos a helyesség ellenőrzése leggyakrabban a metrikus korreláció szintjén zajlik, noha ez csak lépcsőzetesen képes biztosítani az előző két szint magas értékeit, vagyis csak viszonylag nagy metrikus pontosságjavulás okoz ugyan azon modellre vonatkoztatva észrevehető javulást a klasszifikációs és rangsorértékelő képességekben. Más megfogalmazásban: még szűk metrikus korrelációs intervallumban is óriási lehet a mási két tulajdonságra vonatkozó lehetőségi intervallum.További elméleti ellenőrzési, értékelési módszerekről a szakirodalom inkább szegényesen és szubjektíven ír, mintsem kimerítően, s alaposan. Ez a tény is jelzi, hogy a modellek (konzervált emberi gondolatok) és az emberek (szakértők, politikusok improvizatív) együttműködése, sőt már magának a végső modellnek a kiválasztása sem egyszerű, de más alternatíva lényegében nincs. Így a modellek értékelésének „trükkjei és tippjei” nagyobb publicitást érdemelnének, hiszen lényegében ennek adekvát mivoltán múlik az alkalmazás sikere. Az internetes keresés során alig-alig lehetett utalást találni a különben sokrétű (absztrakt jellegű) modell-leírásokat tartalmazó dokumentációkban. Ennek alapján egy agrárszektor-modell alkalmazásáról való döntés egyben a konzultációt adó személyről, stábról szóló döntés is, hiszen a modell és alkotója együtt jelenik meg termékként a piacon, a modellek önmagukban lényegében soha.Megj.: Itt kell utalni arra is, hogy a modell megalkotása, az utolsó állapot rögzítése után az elméleti problémák nem szűnnek meg, hiszen feltételezve egy sor sikeres alkalmazást, előbb-utóbb felmerül a kérdés, érdemes-e az időközben keletkezett tényadatok alapján a modell paramétereit finomítani, vagy elegendő az,

205

ha a relatíve jó eredményeket egy fajta teszteredményként használjuk a modell referenciáinak képzésekor. A modellparaméterek rendszeres finomítása elvileg lehetővé teszi azt, hogy az időközben szerzett tapasztalatok a becslőfüggvényekben közvetlen nyomot hagyjanak, s ezáltal a következő alkalmazások pontosságát növeljék. Azonban a finomítás után egy új, még alkalmazását tekintve élesben soha nem tesztelt megoldás jön létre, mely hitelessége elvileg kisebb, mint egy jó, valós alkalmazási referenciákkal rendelkező régebbi modellé. A megfogalmazott kérdés lényegében az innováció terjedésével azonos elméleti problémákat vet fel. Természetesen elméletileg nem lehetetlen egy olyan szabályrendszer megalkotása, mely a keretfeltételek (alkalmazási tapasztalatok eredményei) alapján nagy valószínűséggel megmondja, érdemes-e a modellt aktualizálni, ill. olyan monitoring rendszert készíteni, mely kimutatja milyen körülmények között, milyen módszerekkel végrehajtott aktualizálás milyen pozitív (esetleg negatív) eredményekre vezetett, ill. vezetett volna korábbi alkalmazások esetén. Ilyen jellegű szakirodalmi híreknek, azonban lényegében nyoma sincs. Ez is jelzi, hogy a tudomány legtöbb esetben a „lehet-e egyáltalán” kérdésével van elfoglalva, hiszen ennek eredményessége kézzel foghatóbb (pl. szabadalmak). A „hogyan lehetne jobban” kérdés azonban már kevésbé vonzó, hiszen nem világosak a feladat kontúrjai.A szakirodalom további, a szubjektivizmus határait súroló, átmeneti kritériumokat is megfogalmaz: pl. az eredmények plauzibilitása, az eredmények levezethetősége, magyarázhatósága, az eredmények érdekessége a gazdaságpolitikai elemzések számára, ill. lehetőleg azon részfolyamatokat érdemes / kell modellezni, ahol a változások a leglassabbak, hiszen így

lehet a legstabilabb modellt építeni….S ezzel ismét a modellezés kompromisszumai jutunk: ahol is az átláthatóság, a pontosság, az újszerűség és a hitelesség nem feltétlenül egymást erősítő modelltulajdonságként jelentkeznek.

A modellek hasznossága, mint egyértelműen szubjektív kategória, csak sejthető. A felhasználók egy-egy modell hasznosságát előre nehezen tudják értékelni, s hosszabb használat után is nehéz strukturált véleményt nyerni.Megj.: A hasznosságot előre megítélni egy felhasználó által csak akkor lehet, ill. az ítélet csak akkor érdemleges, ha a felhasználó tisztában van azzal, hogy külső támogatás nélkül, ill. más eszközök felhasználásával az adott problématípust milyen kockázatok mellett tudja kezelni. Ehhez természetesen a személyes döntés-előkészítés monitoringja elengedhetetlen, mely során a felhasználó állandóan feljegyezné milyen kiindulási feltételek mellett mit gondolt a jövőben bekövetkező változásokról, ill. esetleges döntési alternatívái következményeiről, majd ezeket a bekövetkezés után összehasonlítani a valósággal. Csak ilyen módon nyert adatok alapján lehet kimutatni adott döntéshozó prognosztikai képességeit. Amennyiben a képességek szintje ilyen direkt módon kerül tudatosításra, már nem lehet kérdéses a jobb előrejelzésekhez segítő eszközök piacának szükségszerűsége. Azonban ilyen mértékben (s egyáltalán) az emberi döntések helyessége nem kerül nagyító alá, pl. idő és pénzhiányra hivatkozva. Az önvédelmi jellegű mechanizmusok is az emberi önámításra alapuló stabilitás irányába mutatnak. Így nem beszülhetünk az előrejelzések és módszerek tudatos piacáról sem. A legelső, ahol az eddigi tapasztalatok szerint egy politikai tanácsadási projektben a költségvetés megkurtítható, az a minőség-ellenőrzés, vagyis a dokumentáltság és a monitoring. vö. Pitlik, 1999. Döntéshozók informatikai magatartásmintái, 775 kérdőív alapján, http://miau.gau.hu/miau/16/fkfp.doc FKFP-jelentés. Itt érdemes megjegyezni azt is, hogy az egyetemi hallgatók kiképzése mesterséges intelligencia módszerek tudatos használatára érdekes eredményekkel zárult pl.: Az átlagos matematikai képességekkel rendelkező hallgatóság mintapélda alapján készített önálló elemzéseiben a mintapélda számos lépésében rejlő parametrizálhatóságot (beavatkozási pontot) nem ismerte fel, ill. a feladatkonzultáció során feltett „MIÉRT éppen úgy járt el, ahogy” kérdésekre nem tudott érdemleges választ adni. Sőt sajnos már az is gondot okozott számos esetben, hogy a hallgató saját EXCEL képletsorát egyértelműen meg tudja fogalmazni magyar nyelven. Ezen koránt sem pozitív tapasztalatok okaként a hallgatók maguk az elvárt gondolkodási mód szokatlanságát! emelték ki (a mindennapi élet és a a képzés többi tárgyához képest). Ha egy képzés kevésbé kreativitásra késztető jellege találkozik a hallgatóság energia minimumra törekvésével, az sajnos nem sok jóval kecsegtet. Szerencsére kiemelhető az is, hogy egyes hallgatók ösztönösen, ill. a konzultációk hatására valódi mélységeket fedeztek fel saját magukban ill. a felkínált módszertani lehetőségekben.

206

Az egyik legfontosabb szubjektív elvárás a modellekkel szemben a transzparencia, vagyis az átláthatóság. Az agrárszektor-modell, mint olyan, egy alapvetően bonyolult jelenség, mely gyakran más modellező által sem látható át kristály tisztán. Így a felhasználók és a fejlesztők szemében az átláthatóság mást és mást jelent. A felhasználó számára fontos, hogy értse a modell működésének fontosabb áramlatait, az átlássa alapadat-igényt és interpretálni tudja az eredményeket. A fejlesztők számára emellett érdekes lehet az is, hogy milyen technológiai alapon valósul meg egy megoldás, miért éppen úgy, ahogy. A két elvárás-rendszer közös területe (s egyben a legritkábban támogatott help-funkció) nem más, mint azon kérdés megválaszolni tudása „milyen alapadatok alapján, s milyen lépéseken keresztül jött ki egy-egy adott, számszerű eredmény?” (vö. magyarázó alrendszer a szakértői rendszerekben).Megj.: Érdekes módon a megrendelő / felhasználó számára ösztönösen érdektelen a deskriptív pontosság, mintha tudatosan tisztában lenne a céltalanság tételéből fakadó filozófiai korlátokkal. Modelleket nem az ezek hasznosságáról tudatosan meggyőződött felhasználók alkalmaznak, hanem sokkal inkább azok, akik hisznek a modellek strukturált gondolkodást segítő mivoltában.Más megközelítésben, a szimulációk bázisfuttatásai esetére alapul vett exogén (nem modellezett, hanem egyszerűen szakértői véleményként integrált) változókból következő hibák a gazdaságpolitikai szcenáriókat is azonos módon terhelik. Ezért a bázismegoldás és a gazdaságpolitikai szcenárióra jellemző megoldás közötti különbség lényegében már csak a modell belső hibáival terhelt. Mivel azonban a politikai tanácsadásban az exogén változók számát, tartalmát és – végső soron – értékeit is a felhasználó és a modellező közösen határozzák meg, vagyis modell-intern (endogén módon) csak annyi és olyan adat kerül be a számításba, ami szinte magától értetődő (vö. excel sheet a költség-kalkulációkhoz, ill. malinfo), így lényegében a megoldásban „nem lehet hiba”. S ha a kijövő eredmények mégsem hitelesek és hihetők, akkor új, de még mindig hiteles exogén értékekkel kell futtatni a modellt. Végső soron tehát egy modell egészen addig egyszerűsíthető (vö. transzparencia), míg végül csak néhány összeadás és kivonás marad benne, s minden érdemleges áttolódik az exogén adatok körébe, melyeket emberi szakértők határoznak meg lehetőleg testületi alapon a felelősség teljes elaprózásával. A másik szélső helyzet, amikor a modell a már tényként kezelt alapadatokból a fejlesztők kreativitását maximálisan kihasználva mindent modell-intern számol, s szinte nem használ exogén adatokat. A valóság a két megközelítés között helyezkedik el. Az exogén változók mibenlétét, s becslésének módját kompromisszumok alapján határozzák meg (rendelkezésre álló idő, forrás, szaktudás, kockázatvállalás). Klasszikus exogén változók a jövedelmek alakulásáról, a GDP-ről, a várható átlagos hozamokról, a demográfia alakulásáról szóló prognózisok (melyek éppen átvehetők más modellek outputjaiként is).A felhasználók bevonása a modellalkotás folyamatába szintén növelheti a modell akceptáltságát. Ez az elv megfelel az információs rendszerek kapcsán feltárt azon összefüggésnek, mely szerint a fejlesztés nyomon követésével a kapott eredmények hasznossága növelhető, s a nem kívánt zsákutcák száma csökkenthető. Ennek ellenére a fejlesztésben való együttműködés magas szintű szakmai kommunikáció képességét tételezi fel a megrendelő részéről, mely az esetek zömében nem adott. Fontos különbség, hogy a politikai tanácsadás alapvetően kommunikációs, míg a modellalkotás (modellhelyesség) lényegében tudományos probléma.Amennyiben a modellek alkalmazására relatíve sok helyszínen és nagy számban kerül sor, úgy fontos, hogy a modell felhasználó-barát felületekkel, navigációval és dokumentációval rendelkezzen. Bár ezen tulajdonságok csak indirekt módon (a hosszú távú továbbfejlesztés esetén) befolyásolják pozitívan a modell matematikai értékét, azonban sok időbe és emberi munkába kerülnek, hiszen a programozási keretrendszerek (architektúrák) még nem állnak azon a moduláris szinten, hogy a formai felhasználói igények kielégítése ne haladja meg sokszorosan a modell tartalmi fejlesztésére szánt erőforrás-felhasználást.Az eddigi értékelési szempontok jórészt egy adott modell jellemzésére szolgálnak. Több modell összehasonlítása esetén lényegében csak az dönthető el nagy biztonsággal, hogy a legfontosabb elméletek és tulajdonságok közül (statikus-dinamikus, regionalizált - nem regionalizált, programozási vagy ökonometriai, stb.) melyekre van szükség, de hasonló karakterű modellek részletes összehasonlításának módszertana lényegében hiányzik. Emellett az összehasonlításhoz szükség van standard szituációkra (pl. USA AAEA program) és az érintettek hatékony közreműködésére. A kutató, fejlesztő az ilyen összevetésekből mindig profitál. Hasznos az érintettek érdekeltségének megteremtése, mely egyik fontos komponense a politikai felelősséggel rendelkező partnerek aktív bevonhatósága lenne. A modellek legtöbb esetben egyetemi műhelyekből kerülnek ki, mely jelzi a szellemi műhelyek fontosságát.

207

A modellezés hitelességét tehát leginkább ennek gyakorlatban való rendszeres praktizálása alapozza meg. A korábban már többször is emlegetett ember-gép szimbiózis nem más, mint azon egyedek kiválasztódásának társadalmi szintű elősegítése, melyek jól tudnak együttműködni a strukturált adattömegekkel és számítási eljárásokkal, vagyis nagy valószínűséggel ki tudják szűrni a kapott modellválaszokból a helyteleneket, de csak ezekből, s ezek nélkül nem. Ahhoz, hogy ilyen szelekció végbemehessen először is élettérre, azaz valós alkalmazásokra van szükség, ill. az ezek tapasztalatait átadó szakirodalomra és képzésre. A jelenlegi társadalmi gyakorlat sokkal inkább kedvez azon fenotípusoknak, melyek felületesek (kontár?), absztraktak (semmitmondó?), egyszerre kapkodók és időhúzók (vö. bürokrata, politikus). Világosan kell azonban látni, hogy ez nem a véletlen, hanem a társadalmi egyensúlykeresés eredménye…A továbblépéshez szükség van a modellezés piacának (az összemérhető termékek, szolgáltatások konkurenciájának megteremtésére), mely egyben a jó fogalmának részletesebb filozófiai közelítését, s nagyobb projektvolumeneket (mozgásteret) tételez fel. Emellett elengedhetetlen a társadalmi és politikai kultúra további fejlődése a tekintetben, hogy egyes modelltévedések esetén ne máglyára, hanem továbbra is közszemlére és minden esetben a tankönyvbe méltónak ítéljék az eddigi törekvéseket a további fejlődés reményében. Meg kell tanulnunk együtt élni a valószínűség fogalmával, mert tökéletes modellel senki nem szolgálhat nekünk…

29.4. Az agrárszektor-modellek jövője

Ahhoz, hogy az agrárszektor-modellek jövőjéről beszélhessünk szükséges ezek (EU-hoz kötődő) közelmúltjának áttekintése. Az EU agrárpolitikájának lényege hosszú éveken keresztül abból állt, hogy a piacot az árakon keresztül szabályozza. A termelők jövedelempótló-támogatásokat kaptak, melyek a termelt termékek kínálati mennyiségéhez kötődtek, minden különösebb egyéb célzatosság nélkül. Ebből következően a politikai tanácsadás a mezőgazdasági termékek kínálatára koncentrált a szektor strukturális kérdései és jövedelme mellett. A 90-es években a jövedelempótló-támogatásokat a kínálatot szabályozó intézkedések (kvóták, garantált mennyiségek, területkivonás, stb.) egészítették ki. Az 1992-es reformok keretében a támogatások jórészét leválasztották a termelésről. Bizonyos intézkedések csak bizonyos termelői csoportokat érintettek, ill. bizony feltételeknek való megfelelés esetén léptek életbe. Ezen intézkedések következtében a közvetlen mezőgazdasági piaci árak ingadozásai megnőttek, s egyben új kihívásokat adtak az agrárszektor modellezőinek.Emellett az agrárszektorral határos egyéb területek iránti érdeklődés és az ezekkel szembeni érzékenység megnőtt. A ma kérdései így sokkal komplexebbek. Az agrárpiacok egyre növekvő egyensúlytalanságai az agrárpolitika kereskedelempolitikai és pénzügyi következményeire erőteljesebben figyelt fel a szakma. Az EU időközben elfogadta (az uruguay-i), a világkereskedelmet szabályozó (liberalizáló) előírásokat. A társadalom egyre nagyobb aggodalommal figyeli az intenzív mezőgazdaság által okozott környezeti károkról szóló jelentéseket. A mezőgazdaság strukturális átalakulása lendületes. Az általános gazdasági környezetre szakaszosan a recessziós hangulat jellemző. A föld, a tőke és a munkaerő agrárszektorban történő allokációja, ill. a mezőgazdasági munkaerő mobilitása fontos makro-ökonómiai kérdésként kezelendő. Az átalakulás során elsődleges kérdés az egyes gazdaságpolitikai jelzésekre való reakciók mikéntje és lefutása, hiszen az optimális időben hozott intézkedések jelentős tehermentesíthetik a költségvetést. Nem elhanyagolható annak felismerése sem, hogy a mezőgazdasági termelők jóléte alapvetően a teljes családi háztartás jövedelmétől, s nem a közvetlen agrárjellegű jövedelmektől függ, ami egyenesen vezet a vidékfejlesztés (regionalizmus) és az agrárszektor kérdéseinek közeledéséhez.S milyen következményekkel jár mindez az agrárszektor-modellekre? Első pillantásra az eddigi modellek magától értetődő továbbfejlesztése (regionalizálás, üzemtípusok bevezetése, kereskedelemi és környezetvédelmi modulok illesztése) jelenhetné a helyes választ. Mielőtt azonban ez megtörténne szükség van annak tisztázására, hogy konkrétan milyen új gazdaságpolitikai intézkedésekre kell a modelleket specifikálni, s hogy egyáltalán valóban komplex agrárszektor-modelleket igényelnek-e a feltett kérdések? Emellett meg kell vizsgálni, hogy az elvárt információk milyen egyéb alternatív módon, s milyen költségszinteken állíthatók elő? (Költségek alatt egyszerre kell érteni a közvetlen pénzügyi kiadásokat, ill. az időráfordítást. Az időráfordítás alatt az a többletidőt kell érteni, mely a leggyorsabb (azonos értékű)

208

megoldás és az éppen praktizált megoldás közötti különbségként a megrendelő politikus kockázatát és gazdaságpolitikai felelősségét növeli, hiszen eredmények hiányában nem tud megalapozottan lépni, ill. esetleges kapkodásra kényszerül.)A következőkben vegyünk egy konkrét példát: A korábban mondottak értelmében felmerülhet annak az igénye, hogy a SPEL modell regionalizálását meg kell oldani. A regionalizálás szükségszerűsége mellett felhozható érvek pl.: A tervezett, új gazdaságpolitikai intézkedések eltérő hatást gyakorolnak az egyes régiókra, melyeket a

szektorális szintű aggregáció elfedhet. Az intézkedések regionális monitoringja, hasznosságuk bizonyítása magától értetődő gazdaságpolitikai

érdek. A környezeti problémák kifejezetten térbeli tagolásúak, mozaikszerűek.Ahhoz, hogy a regionális elemzési igényeket kielégítsük, nem kell elvileg mást tenni, mint az eddigi objektumokat (tagországok) kiegészíteni / helyettesíteni a vizsgálni kívánt részletességben megadott régiókkal. Ezek után a módszertani lépések sorozata elvileg azonos. Alapvetően szükség van a SPEL alapadatbázisához hasonlóan egy regionális adatbázisra, mely értelemszerűen a régiók növekvő számával arányosan nagyobb, mint az országok esetében. Tudni kell azonban, hogy a tagországok egységes elvű és módszertanú adatgyűjtésének megteremtése sem volt kis feladat, s bizonyos területeken (pl. technológiai koefficiensek az egyes ágazatok erőforrás-felhasználásának jellemzésére) még ma is hiányosságok figyelhetők meg. Ha csak minden tagország átlagosan 3 régióra bontható, már ezzel is érzékelhető, hogy háromszor annyi alapadat begyűjtését kellene megoldani a SPEL módszertana értelmében. Ennek költségeit (a statisztikai megfigyelések rendszerének átállítását, bővítését) azonban csak akkor lehet finanszírozni, ha a tervezés (modell-alkalmazás) várható hasznossága legalább ilyen mértékű, ami az EU agrárpolitikához kötődő pénzmozgásainak volumenét tekintve valószínűsíthető. Vagyis egy rosszul előkészített döntés következményei lényegesen meghaladják a modellezés várható költségeit. Az így regionallizált modell egyszerre képes regionális, szektorális (tagországi) és EU szinten konzisztens képet adni a folyamatokról. Ezzel az első érvnek megfelelően járnánk el.A második és harmadik érv értelmében felmerülhet azonban annak gyanúja is, hogy nem lenne-e célszerűbb egy, a monitorozni kívánt régió specifikumainak közvetlenül megfelelő (kisebb komplexitású) rendszert kialakítani, ill. egy-egy régió valóban speciális környezetvédelmi helyzetét elemző modellt megalkotni? A gyanú bár nem alaptalan, de még sem kellően megalapozott, hiszen a regionális krízisek ritkán állnak elő kizárólag a mikro-környezet hatására, hanem az esetek zömében több régió és több szektor eredőjeként definiálhatók. Ezáltal a modellezendő probléma nem hogy egyszerűsödik, sokkal inkább komplexebbé válik, s így automatikusan a szektormodellek irányába mutat.A regionalizálás kérdése azonban még további csapdahelyzeteket is rejt magában: Amennyiben ugyanis az adminisztratív határok és a regionális problémák egymással nem esnek jórészt egybe, úgy a regionális, de nem probléma-specifikus adatok (hasonlóan a szektorális aggregációhoz) sokkal inkább elfedik, mintsem kiemelik az érzékeny területeket. A megoldást a térinformatikai alapú adatgyűjtésben és adatelemzésben kell keresni, ahol az adatgyűjtés részletezettsége az adminisztratív objektumok helyett tetszőleges „térbeli” objektumokhoz (raszter, poligon) kötődik, melyek tetszőleges aggregálhatók a felhasználók igényei szerint. Ebben az esetben a táblán belüli adatgyűjtéstől (vö. precision farming, GPS) egészen az országos költségvetés éves fejezeteiig, minden adattartalmat egy rendszerben kell / lehet kezelni. Bár ilyen kezdeményezések és kísérletek már ma is ismertek, általános szintű alkalmazásokról egyelőre szó sincs. De a jövő útja, az információs társadalom útja feltehetően mégis ebbe az irányba mutat. Természetesen mindennek költségvonzata sem hagyható figyelmen kívül. Az adatgyűjtés hasznosságának megítélésekor a tervezés, a szimuláció, vagyis a politikai tanácsadás csak egyetlen alkalmazásként jelentkezik. A költségek viszonylagos minimalizálása nem csak ezek abszolút összegének leszorításával, hanem a költségviselők számának növelésével is megoldható. Ebben az esetben ez azt jelenti, hogy egy nagy részletezettségű adatbázis felhasználói az egész társadalomból, (de mindenképpen az üzleti döntés-előkészítők köréből) kerülnek ki. Így az információs társadalom terhei megoszlanak a tömegeken. Módszertani szempontból vizsgálva a monumentális adatigény kérdését, világosan látható, hogy mindaddig, amíg az újszerű, esetlegesen automatikus adatgyűjtés (távérzékelés) költségei nem csökkennek jelentősen, ill. a rendelkezésre álló adatok alapján „kevésbé részletes, de szektorális” modellek, ill. „részletes, de csak regionális” modellek különböztethetők meg, addig az utóbbiak előnye elvitathatatlan a pontosabb és

209

adekvátabb eredményeik alapján, még akkor is, ha az egyes modelltípusok illesztése alapvető módszertani problémákat is felvethet.A regionalizálás mellett az agrárszektor-modellek általános érvényű alkalmazása ellen szólhat az is, hogy az agrárpolitikai intézkedések egyre kisebb, speciálisabb csoportokra vonatkoznak, ill. az agrárpolitikai intézkedések nem agrárjellegű hatásai egyre fontosabbnak tűnnek. Bár egy meglévő (sok pénzért és időráfordítással kialakított) modell hozzáigazítása egy újszerű elváráshoz elméletileg lehetséges, mégis felmerül annak kérdése, hogy azonos költségek és időkeretek mellett van-e alternatív megközelítés, mely esetleg hasznosabb is egyben? Végül fontos kiemelni az a szociológiai aspektust is, hogy az agrárszektor-modellek fejlesztése és alkalmazása egyben a fiatal generáció kiképzésének gyakorló tere is. Az agrárszektor-modellek nem csak egy adott intézmény folytonos működését biztosíthatják a tudásátadás rendszerezett módjának és a közös fogalmi készletre alapuló kommunikációnak megteremtése által, hanem egyben a társadalom és a világ tudásáramlásának folytonosságát is. Hasonlóképpen e projektek segítenek hozzá ahhoz, hogy az egyre nagyobb méretekben rendelkezésre álló adatvagyonnal való együttműködés elvárásait felismerjük, s a megfelelő képzési és szelekciós programokkal a megfelelő szakembereket kineveljük. Így az e területeken jelentkező kiadások egyben egy fajta missziós feladatként is felfoghatók, melynek célja: felkészülés az információs társadalmi viszonyokra.

29.5. Agrárszektor-modellek kommunikációs problémái

Ez a fejezet Heckelei 1999-es tanulmánya alapján készült.

29.5.1. Kiindulási állapot

Ahhoz, hogy információs többletértéket jelentő modelleket lehessen alkotni szükség van arra, hogy a megrendelő (politikus) világosan meg tudja határozni milyen kérdésekre, milyen pontosságú válaszra van szüksége (vö. szakértői rendszer-alapú strukturált gondolkodás). Ezen megrendelés birtokában tudja a modellező elbírálni, milyen modellre van szükség az igények kielégítéséhez, s ez milyen források alapján valósítható meg. Megj.: A szakértői rendszerek lényege egy-egy világos kérdés, melyre előre megadhatók a lehetséges válaszok. A szakértői rendszer lényege ezek után abban áll, hogy felvázolja azon egyéb információk logikai vázát, vagyis a döntési fát, melyek az egyes előre definiált válaszok közül az adott helyzetet jellemző adatok alapján legvalószínűbbnek tűnnek. A szakértői rendszerekben való gondolkodni tudás ezért a strukturált gondolkodás alapmintájaként értelmezhető. Egy szakértői rendszer nemcsak az egyébként parttalanná váló elemzési lehetőségeket tereli mederbe, hanem világosan megadja előre a döntéshozatalhoz szükséges információk, ill. ezek hiányában szakértői becslések igénylistáját.Másrészt a politikai információs rendszerek léte nem feltétlenül csak eredményeként, hanem a megrendelő és fejlesztő közötti dialógus alapfeltételeként fogható fel.Megj.: A mai magyar agrárinformációs rendszerben is jól látható, hogy kellő alapképzettség, ill. a technológiai fejlődéssel együtt járó továbbképzés hiányában a megrendelők motiválatlanok az információs rendszerek technológiai korszerűsítésében. A korszerűsítés (újraszervezése, business reengineering) lényege, mint azt az információs rendszerek szakirodalma is mondja, nem abban áll, hogy meglévő folyamatokat és kapcsolatokat támogatunk újszerű technológiákkal, hanem abban, hogy újragondoljuk, racionalizáljuk az információlogisztikát, az információmenedzsmentet. Ez egy olyan társadalmi állapotban, s fejlődési folyamatban, ahol előtte „soha, senki sem“ gondolkodott rendszerszerűen arról, ki, mikor, kitől, milyen információt és miért igényel(het), s hogyan lehetne ezt a napi operatív folyamatsort a kutatás-fejlesztés, a képzés és a folyamatellenőrzés, minőség-ellenőrzés (konzisztencia, hatékonyság) szemszögéből is vizsgálni és támogatni, magától értetődően vezet konfliktusokhoz. Egyrészt érthető a laikus megrendelők félelme a tekintetben, hogy esetlegesen technokrata jellegű, de rendszert eredményező fejlesztéseket támogassanak a tartalmi problémák direkt és ezért általában egyedi, rendszeridegen, ezért olcsóbb megoldásával szemben. Másrészt azonban nem lehet elvonatkoztatni az adott döntési pillanatban fennálló deficitektől sem, melyek ma Magyarországon egy jórészt átláthatatlan, szabályozatlan, minőségi és hatékonysági kontrolltól mentes agrárinformációs rendszer(telensége)t jelentenek, ahol a következő

210

generációkat nincs minek a használatára kiképezni, s így ez el is marad. Ennek következtében a megrendelők és felhasználók idővel nem fejlődnek, s a szakadék egyre nő a lehetőségek, szükségszerűségek és a valóság között. Ezért a mai helyzetből kiindulva elsődlegesen egy a technológiai standardnak megfelelő információs rendszer kiépítése kell, hogy legyen a feladat, mely katalizálni képes a megrendelők önfejlődését, a képzés, továbbképzés hiányainak felszámolását. A megrendelők önfejlődése nem más, mint a tartalmilag feltehetően nem optimalizált rendszermegoldások kritikus alkalmazása, s újabb, finomító, továbbfejlesztő projektek inicializálása, mely kezdeményezések direktben hatnak a képzésre (diplomamunkák, doktori programok) A rendszerekben gondolkodás azonban nem oldható meg éves szintű, egyedi, azaz stratégiai átgondolást nélkülöző projektfinanszírozás nélkül. A hosszútávúság megalapozása intézményi és személyi kérdéseket is felvet. A MIMIR-MIVIR koncepció egy ilyen rendszer megalapozására tett kísérletet. Egy-egy ilyen rendszer kialakítása előbb-utóbb, de kényszerűen vezet oda, hogy a benne érdekelt vezetők és kulcspozícióban lévő munkatársak függő helyzetek sorozatát alakítják ki tudatosan, vagy ösztönösen (vö. SPEL-kronológia), hasonlóan mint a politikai rendszerben magában. Míg azonban a politika sokkal inkább menedzselhető karizmatikus egyéniségek improvizálása révén, addig egy magas technológiai szinten realizált információs rendszer, mely egyidejűleg olcsó kell, hogy legyen, nem képes bármely pozícióban lecserélni az egyre kevésbé hatékony (kimerülő, ötlettelen, korrumpálódó) „fogaskerekeket“. Egy információs rendszer demokratikus és stabil működtetése a választási rendszernél is bonyolultabb és átgondoltabb szabályozási, utánpótlás-képzési, hozzáférési, validálási rendszer kidolgozását igényli (vö. REMETE – http://miau.gau.hu/miau/remete/remete.html).

29.5.2. Tradicionális politikai tanácsadás

A tradicionális politikai tanácsadás elmélet szerint a kvantitatív modellek feladata a cél- és eszközrendszer összefüggéseinek feltárása, (ill. konzisztens célrendszerek feltárása). A célok és eszközök összefüggéseinek feltárásakor potenciálisan három út közül lehet választani: adott intézkedések hatásának elemzése adott célok esetén adott cél(ok) eléréséhez szükséges intézkedés-változatok optimumának meghatározása a céloknak való megfelelés mértékének és az intézkedés-változatok adekvátságának egyidejű

(szimultán) optimalizálásaAz első esetben lényegében ex ante prognózisokról van szó. Ezen prognózisok további két csoportra bonthatók: az ún. status quo prognózisokra, melyek a jelenlegi (ill. elhatározott) gazdaságpolitikai intézkedések hatását, valamint további intézkedések szükségszerűségét/feleslegességét kell, hogy kimutassák, ill. az egyéb hatáselemzésekre, melyek pl. a status quo elemzéseket bázisverzióként felhasználva alternatív intézkedések várható hatásait firtatják, de nem optimalizálnak semmilyen tekintetben. Az utolsó fejezetben felhozott esettanulmányok lényegében ebbe a csoportba sorolhatók.A második csoport tipikus példája lehetne a nitrogénműtrágyázás adott mértékű csökkentésének kiváltása a jövedelmi pozíciók érintetlenül hagyása mellett. Ez esetben tehát rel. kevés célváltozó (nitrogéncsökkentés, jövedelem szinten tartás), ill. rel. kevés eszköz (N-adó, jövedelem-kompenzációk) helyes kombinációjának megtalálása a feladat.A harmadik csoport elméleti szempontból a legérdekesebb és legszebb feladat. Ehhez első lépésként a megrendelő politikus meg kell, hogy tudja adni a különböző célkomponensek eltérő teljesüléseinek fokozatait, s ez által az összes lehetséges jövőbeli „cél-megvalósítottsági” állapotot (kombinatorikai tér). Emellett képesnek kell lennie minden egyes cél-megvalósítottsági variációt a többihez képest értékelni (rangsorolni, pontozni), azaz létre kell, hogy tudjon hozni egy preferencia-függvényt. Ezen előfeltételek alapján második csoportnál érzékeltetettek szerint nem csak egyetlen konkrét célvariánst legjobban kielégítő eszközkombináció határozható meg, hanem bármely (két) célvariáns esetén vizsgálható, hogy adott célok eléréséhez optimálisan szükséges eszközök költségei és az egyes cél-megvalósítottsági állapotok preferenciái mely esetben mutatják a legkedvezőbb párosítást (vö. http://miau.gau.hu/agroplanet).A három csoport képzése és a megoldás logikája megfelel a vállalatgazdaságból jól ismert optimalizálási alapproblémák sémáinak.A célok és eszközök szimultán optimalizálása további problémákat vet fel a projektek kialakítása, a megrendelők és fejlesztők kommunikációs kapcsolatai szempontjából:

211

egy kellően sokrétű, azaz sok célkomponenssel és kielégítettségi fokozattal rendelkező, azaz valós problémánál egy preferencia-függvény megalkotása lényegében lehetetlen (vö. folytonos kielégítettségi skála esetén a kombinatorikai tér végtelen, ill. véges kombinatorikai tér esetén sincs minek alapján különbséget tenni bármely két nagyon hasonló cél-megvalósítottsági állapot között).

A legtöbb esetben a politika szereplőit csak homályosan megfogalmazott keretcélok (törvények, rendeletek) kötik, s diplomáciai, valamint taktikai szempontból nem előnyös ezeken túlmenő, konkrét értékítéletek megfogalmazása, így nem várható el, hogy a modellezés kedvéért kiszolgáltassák magukat a politikai küzdelemben.

A modellek megrendelői ritkán jelentik a végleges és tényleges döntéshozót, nem beszélve a testületi döntésekről. Így az egyes szcenáriók megfogalmazása, s az ezekhez esetlegesen számított következmények részeredményei további szcenáriók (kompromisszumok) kidolgozásához, azaz politikai tárgyalásokhoz vezetnek.

Megj.: Legitim döntéshozó testületek megléte esetén a matematikai demokrácia eljárása elvileg alkalmazható lenne a preferencia-táblázatok előállítására. A módszer keretében relatíve kevés szavazót és viszonylag kis méretű kombinatorikai teret feltételezve egyszerű direkt pontozással, ill. bonyolultabb feltételes pontozással és konfliktus-minimalizálással megadható a lehetséges célvariánsok rangsora és távolsága úgy, hogy egyetlen szavazó sem juthat egyszerűen monopol pozícióba, mert mindenki szavaz mindenki hitelességéről, kompetenciájáról is a konkrét tartalmi kérdések mellett. Ez a technika - a kivitelezés időigényétől eltekintve - elvileg jelenthetné egy információs hálózatokra épülő társadalmi akaratnyilvánítás modern eszközét, vagyis magát az információs társadalmat, vö. http://miau.gau.hu/miau/remete/remete.html.

29.5.3. Politika-optimalizálás

Noha a gyakorlat szerint csak az ex ante prognózisok és elemzések tűnnek megvalósíthatónak, még egyszer érdemes utalni rá, hogy a politikai információs rendszerek és modellek éppen létükkel támogatják az érintettek (politikusok, modellfejlesztők, ill. a tudomány) kommunikációját, tanulási folyamatát. Ahhoz tehát, hogy a politika optimalizálása irányába lépéseket lehessen tenni, folyamatos modellfejlesztésekre és alkalmazásokra van szükség, mely alkalmazások rel. egyszerűen és igény szerint ismételhetően támogatják a döntés-előkészítés folyamatát. Az ismételt modell-alkalmazás lehetőségének biztosítása több szempontból is fontos: Tetszőleges politikai szcenárió következményeit lehet gyorsan érzékeltetni egy kísérleti műhely falai

között különösebb politikai kockázatok (vö. műhelymunkák kiszivárogtatása) nélkül. Ezen futtatások a megrendelők aktív közreműködése nélkül nem képzelhetők el, így kényszerűen számolni lehet azzal, hogy a megrendelő politikusok a szimulációs „játék” során megtanulják átérezni a valós rendszerek komplex működését, s ez által ösztönös és/vagy tudatos módon egyre árnyaltabb és részletesebb preferencia-függvényeket képesek létrehozni. A kapott eredmények, eredményrészek publikálásának módja (hol, mikor, hogyan), amennyiben nem történt kiszivárogtatás, szintén a politikai eszköztár részeként értelmezhető. Itt legkevésbé arra kell gondolni, hogy kulcsinformációk visszatartásával tudatos károkozás lenne a cél, sokkal inkább a felkészült és átgondolt politizálás gyakorlatának megvalósulása ez a politikai improvizálással szemben.

Az önfejlődés mellett fontos eredménye a szimulációs futtatásoknak az is, hogy a megrendelő már első javaslatra egy optimum-közeli verzióval állhat a plénum elé (vö. EU Bizottság), így nem kell az időigényes egyeztetési mechanizmusok sorozatával számolni.

Hasonlóan pozitív hatásként könyvelhető el a potenciális ellenzék, ill. a saját tábor reakciójának felmérni tudása az által, hogy a modellszámítások eredményeként az egyes érdekcsoportok szemszögéből előre megvizsgálhatók az egyes javaslatok erős és gyenge pontjai, s javaslat sorozatok, lépéskombinációk előkészítése segítségével a tárgyalások dinamikája, időzítése is befolyásolható.

A szimulációs futtatások nem csak különböző politikai szcenáriókat, hanem bizonytalan exogén becsléseket is körbejárhatnak egy fajta érzékenység-vizsgálat keretében. Amennyiben egyes exogén becslések variálása által a modell végeredményei erőteljesen megváltoznak, úgy további elemzések szükségesek a legvalószínűbb inputok definiálása érdekében. Amennyiben döntési kényszerhelyzet alakul ki az időtényezőt tekintve, abban az esetben az érzékenység vizsgálatok a politikai kockázatok

212

mértékét, s az ennek megfelelően választandó tárgyalási stratégiát (pl. ki tárgyal, erőpozícióból tárgyal-e, „ki viszi el a balhét”, erőteljes vagy óvatos retorikai fogások kellenek-e a tárgyaló féllel és a sajtóval szemben, …) határozzák meg.

A futtatások nagy száma, ill. a bázisverziók megrendelők és fejlesztők által közösen elfogadott szintjének kialakítása a gyakran százas-ezres nagyságrendű exogén változó helyes feldolgozásának tesztjeként is felfogható. A felfedezett, s kijavított modellezési hibák jelentős mértékben hozzájárulnak a modelleredmények hitelességének javításához.

A modell-alapú döntés-előkészítés előnyei azonban csak felkészült politikusok és modellezők jól átgondolt együttműködése mellett realizálhatók. A megrendelőknek kellő szinten képesnek kell lenni a modellezési technikák átlátására, ami a modellektől elvárható, s már el nem várható teljesítmények megkülönböztetni tudásában testesül meg. Megj.: Érdemes megjegyezni, hogy az emberi döntés-előkészítés és döntéshozatal sokszor szinte öntudatlan folyamatokat jelent. A jó döntéshozó erősségei ezért sokkal inkább az ember-ember kapcsolatokban, mintsem az ember-gép kapcsolatokban rejlenek. (vö. http://miau.gau.hu/miau/16/fkfp.doc FKFP-jelentés) Ezért a modellezésre és információs rendszerekre fordított összegek meghatározásánál figyelembe kell venni, hogy kizárólag intuitív (s ebből következően olcsó) úton is lehet jó döntéseket hozni karizmatikus egyéniségeket feltételezve (vö. http://miau.gau.hu/miau/remete/remete.html). Egy társadalomnak azonban hosszú távon kell biztosítania stabilitását, ami a nagy egyéniségek véletlenszerű kiesésével, az utód meg nem találásával, a tömegek és a tudomány demokrácia és transzparencia iránti igényével nehezen egyeztethetők össze. A modellezésre és információs rendszerekre alapozó döntés-előkészítés egy fajta kulturális misszióként is felfogható, amely vonzza kor a kor szellemi elitjét, s példát mutat a társadalom egyéb rétegeinek. Hiszen csak „kivételes képességű”, ill. jól képzett döntéshozó képes együttműködni a modellfejlesztőkkel és tudósokkal…

29.5.4. Elvárások a kvantitatív agrárpolitikai információs rendszerekkel szemben

Az EU sokszínű és a folyamatokba erőteljesen beavatkozó agrárpolitikája (vö. a leginkább a science fiction irodalomból ismert bolygó szintű társadalmi és környezeti egyensúly problémájával) nagy kihívást jelent a kvantitatív modellek fejlesztésével szemben. Az alapadatok rendszeres gyűjtése és rendelkezésre bocsátása mellett a folyamatok állandó felügyelete (monitoring) és a rövidtávon várható változások előrejelzése az operatív feladatok szerves részeként jelenik meg. Azonban a koncepció- és stratégiaalkotáshoz ezen eszközök nem elegendők. A közép és hosszú távú döntések meghozatalának előkészítéséhez modellszámításokra van szükség. A korábban már említett gyors és többszöri modellalkalmazás lehetőségének, ill. az érintettek hatékony kommunikációs formáinak megteremtése mellett az adatok-modellek-emberek együttműködésével szemben az alábbi összefoglaló elvárások fogalmazhatók meg: kellő modell-komplexitás, gyors alkalmazhatóság, átláthatóság, újszerű információk rugalmas integrálhatósága, az eredmények tetszőleges struktúrájú megjelenítni tudása (vö. EIS, 3MT), kielégítő (ellenőrzött) előrejelzési pontosság.

Modell-komplexitásA közgazdasági folyamatok hozam- és ráfordítás-komponenseinek, ill. kapcsolatainak sokszínűsége egy multi-input-multi-output elemzést igényel, a helyettesítési lehetőségek és egyensúlyi állapotok leképezése érdekében. A modellek magának az gazdálkodásnak a leképezése mellett a gazdaságpolitikai eszközrendszer adott elemzéshez szükséges elemeit és összefüggéseit is vissza kell tudnia tükrözni, hiszen ez az előfeltétele a szimulációk elvégzésének.A kellő részletességű logikai modell működése a szükséges alapadatok nélkül elképzelhetetlen. Egy megfelelő adatbázis kialakítása gyakran olyan erőforrás-lekötést jelent, mely kizárólag a modellezés költségeiként nem fogadható el. Így egyéb felhasználási szükségszerűségnek (s ezáltal finanszírozónak) is jelen kell lennie a háttérben.

213

Mivel a modellezés költséges, így a legtöbb esetben nem realizálható alternatív ötletek, technológiák (szükséges alapadatbázisok) fejlesztése és tesztelése. Ebből következően a modellezés (és ennek hátterében a statisztikai rendszer) erőteljesen nyomfüggő (vö. gazdasági informatika jegyzet http://), azaz a többéves fejlesztések világosan kijelölik a közeljövőben bejárható utakat, projekteket. (Az EU-ban fontos kérdésként jelentkezik jelenleg egy kellően differenciált, a környezetgazdálkodás elemzéseit támogatni képes újszerű adatbázis kialakítása.)Megj.: Az idősorok megszakadása, ill. az új és korábbi módszertanok inkompatibilitása feltehetően nagyobb kárt okoz, mint a módszertani finomításokkal nyerhető információs többletérték, ha egyáltalán létezik ilyesmi az elemzési módszerek által nehezen vagy egyáltalán nem tolerált szakadásos alapadatok feldolgozása nyomán. Jelenleg éppen az EU SPEL adatbázisának és az új MSZR módszertannak nehézkes összeolvadását figyelhetjük meg…A modellek optimális komplexitásának megállapítása (adatigény, programozás, képzés, karbantartás) feltételezi, hogy az egyes modellvariánsok preferencia-függvénye és ezek kidolgozásának költségterve létezik. Míg az utóbbi lényegében kalkulálható, addig az előbbi - többek között a végtelen kombinatorikai tér, s az egyre újabb és újabb módszertani felfedezések, a mindenkori érintettek személyes adottságai miatt, hasonlóan a társadalmi célok kielégítettségéhez – nem határozható meg. Ez egybe cseng a céltalanság tételével, mely szerint a jó-jobb és legjobb modell definíciója egyszerűen már matematikai szinten nem létezhet, (nem beszélve ezek dinamikusan változó társadalmi értékéről), s ennek következtében a választás két koncepció között lényegében véletlenszerűnek tekinthető.A mindenkor létező modellek bizonyos mértékben fejleszthetők, s a változó igényekhez igazíthatók, de egy szuper-modell megalkotása lényegében értelmetlen, s lehetetlen. Más megközelítésben: ha az egyes létező modellek egymásra épülése, részeredményeinek cseréje átgondoltabban és tervezettebben folyhatna, akkor lényegében egy osztott, versengő komponensekre támaszkodó szuper-modellel állnánk szemben. A modellek egymásra épülését az „esettanulmányok” című fejezet mutatja be. Míg a versengő modell-komponensekre a validálási kísérletek utalnak. Már a fejlesztés fázisában a jelenlegi egy-két hasznos modell megtalálása helyett tetszőleges nagyságrendben kellene, hogy alternatív modulok kipróbálásra kerüljenek. Ennek előfeltétele egy viszonylag egyszerű, de hatékony modellértékelést lehetővé tevő keresési stratégia (célfüggvény) megalkotása, mely megadja, hogy „n” darab modellalternatíva közül mely néhánnyal érdemes a továbbiakban foglalkozni.Az alternatív modelleket mindenkor a rendelkezésre álló alapadatok korlátozzák. Más oldalról a modellezőknek mindig először azt kell demonstrálni, hogy a meglévő adatvagyon alapján milyen eredményekre lehet jutni, s csak másodsorban fontos, milyen újszerű adatokkal lenne a helyzet lényegesen jobb. Az adatvagyon-gazdálkodás, vagyis a meglévő – minőségileg ellenőrzött, azaz konzisztens - adatvagyon egyszerű és gyors áttekinteni (vö. metaadatbázis) és lekérdezni tudása alapfeltétele az elemző munkának. S ennek költségei az általános társadalmi információs igények rovatában számolandó el, s nem a modellezés pénzügyi igényei között.

Gyors alkalmazhatóságA gyors alkalmazhatóság elsődleges feltétele, hogy a döntés-előkészítésnek nagyon korai (stratégiai) szakaszában kell a fejlesztési megbízásokat kiadni, hiszen a „jó munkához idő kell“ elv itt is érvényes. A fejlesztés relatíve magas költségei csak akkor védhetők, ha az alkalmazás nem egyedi és egy-egy kérdésre szól, hanem a hosszú távon belátható problématípusok zömének lefedését célozza. Ebből következően a politikai információs rendszerek fejlesztése stabil, hosszú távra szóló személyi, intézményi és finanszírozási stabilitást igényel, ami az évente változó prioritásokkal és projekt-elbírálási koncepciókkal csak nehezen egyeztethető össze. A gyors alkalmazhatóság másik fontos feltétele az adatbázisok rendszeres ellenőrzése, aktualizálása, karbantartása.

ÁtláthatóságA modelleredmények hitelességének elsődleges feltétele a feldolgozó mechanizmus átláthatósága, értelmezhetősége, mely azonban soha nem abszolút értelemben kell, hogy megjelenjen. A modellek fejlesztői természetesen mindenkor többet fognak tudni a részletekről, mint az alkalmazók, ill. bizonyos know how elemek feltárása a modellezők között folytatott versenyben a megbízók érdekeit sem szolgálja.

214

Fontos, hogy a „black box“ effektusok mindenkor világos magyarázatokkal együtt jelenjenek meg. Hiszen a modellek értéke a tapasztalatok szerint nem a tényleges modellhelyesség, hanem ennek illúziója alapján dől el, mely maximalizálásához éppen annyit, éppen ott és akkor kell a tudományos és laikus közönség számára közölni, amennyit az érintettek öntudatlanul igényelnek. A modellek értékének kialakítása tehát nem nélkülözheti a marketingben oly jól ismert PR elemeket sem.Az alkalmazókkal és megrendelőkkel szembeni hitelesség másik forrása az együttműködés, a közösen elfogadott bázisverziók kialakítani tudása jelenti. Ide tartozik még a szoftverfejlesztésben általában ismert és alkalmazott megrendelő stratégia is, mely szerint a megrendelőnek a fejlesztés bármely fázisába bepillantást kell nyernie, hiszen csak így ítélheti meg, hogy a fejlesztők milyen rutinnal kezelik a problémát, ill. mennyire az ő költségeire tanulják ki a szakmát.Az átláthatóságot szolgálja az is, hogyha a fejlesztők, de maga a megrendelő is képes arra, hogy a modell eredményeinek eltérését egy adott standardtól a modell belső logikája (hiányosságai, specifikumai) alapján le tudja vezetni, ill. az eltérések mértékét és irányát hitelesnek tudja elfogadni.Kiindulva egy valóban hosszú távú fejlesztési és alkalmazási fázis lehetőségéből, melyben alkalmazói oldalon több eltérő képzettségű, adottságú felhasználó jelenik meg, mindenképpen fontos, hogy a modell technikai, ergonómiai szempontból szinte tetszőleges felhasználói igények mellett is bevethető legyen. Az ergonómiai elvárások magas szintű kielégítettsége költségoldalon, s a fejlesztési idő tekintetében sok esetben vetekszik a modell tartalmi fejlesztéséhez szükséges erőforrásokkal.

RugalmasságAz információs rendszerekben fellelhető alapadatok sokszor nem elegendőek egy-egy termék jövőjének alapos megítéléséhez. Ilyenkor szakértői véleményekre van szükség. A modelleknek képesnek kell lenniük egyrészt világos adatigény definiálni, amire a szakértő vagy tud válaszolni, vagy nem, másrészt esetlegesen fel kell, hogy tudja dolgozni a szakértő által közölteket akkor is, ha ez nem felel meg az eredeti koncepcióknak, amire a szakértő nem tudott, vagy nem akart válaszolni.A szakértőkkel való együttműködést támogatja az is, ha a modell képes saját véleményt (becslést, trendet, intervallumot, viszonyszámokat más ismert értékekkel szemben, azaz egy fajta plauzibilitás- és konzisztencia-szempontlistát) alkotni az elvárt adatról. Ezt a vélemény a szakértő vagy elveti, vagy pontosítja, de mindenképpen segít a szakértő motiválásában, orientálásában.A szakértő és a modell kommunikációjának kritikus fázisa az első komplex eredmény ismertetése, mely alapján az önmagában hitelesnek tűnő és ezért fel is dolgozott szakértői véleményről kiderül, hogy számos ponton ütközik más adatokkal, ill. véleményekkel. Első megközelítésben nem tudható, hogy a szakértőnek van-e igaza, s a modellt kell átalakítani, vagy pedig a modellösszefüggések helyesek, s a szakértő nem vett minden tényezőt még figyelembe. Mindkét fél világos magyarázatainak összevetése segíthet a konfliktus feloldásában.

EllenőrzöttségA modellek értéke egyrészt a látszat (PR), másrészt a valóban visszaigazolt előrejelzési pontosság alapján alakul ki. Ez utóbbi azonban több okból kifolyólag is csak ritkán és rendszertelenül kerül meghatározásra: Az utólagos ellenőrzés – pl. a sok kiegészítő adat miatt – meglehetőségen drága és fáradságos. A több évre szóló prognózisok esetén nem feltétlenül lehetséges és célra vezető az akkor becsült és a ma

kimutatott adatokat összehasonlítani, sokkal inkább szükséges a modell újrafuttatása az akkor exogén becslési hibák és a modellhibák szétválasztása érdekében. Ez pedig az akkori modellezők más területre kerülése, ill. a modellek működőképes változatának hiányában sokszor lehetetlen.

A szimulációs számítások elvégzésére vonatkozó megbízásokban nem szerepelnek költségtételek az utólagos ellenőrzés elvégzésére.

A fejlesztők sokkal inkább érdekeltek az új modellek és futtatások készítésében, mint a régiek ellenőrzésében.

Mind ehhez hozzá kell tenni, hogy a tanulás és teszt alapú modellépítés (mesterséges intelligencia kutatók körében magától értetődő) technológiája minden esetben felkínálja a fejlesztéssel egyidejű önellenőrzések lehetőségét. Másrészt a sok kibúvó hallatán fel kell tenni a kérdést, miért éppen úgy néz ki egy modell, ahogy, ha nem történtek széleskörű ellenőrzések a már fejlesztés stádiumában. Az azonban valóban igaz, hogy a tudományos kérdés nem az, hogyan alakult utólag a modell és szakértői becslések pontossága,

215

hanem sokkal inkább az, milyen kritériumok alapján szabad egy adott modellt a legjobbnak kikiáltani a fejlesztés és az alkalmazás adott pillanatában a milliárdnyi alternatívával szemben!?

216

30. SPEL

A SPEL fejezet kidolgozásához a korábbi projekttapasztalatok, a bonni konzultációk, az IAP web-oldalai (vö. Előzmények, kronológia) és az EUROSTAT által kiadott kivonatos (Henrichsmeyer, Wolf, 1992) leírás került felhasználásra. A SPEL rendszer ráépül a DIES, DAPS, QUISS, SIMONA, AUBINO rendszerek során szerzett tapasztalatokra és ez a rendszer képezi az alapját a PIT, az OPAL, az AGRIS és az IDARA projekteknek, s szerves kapcsolatban áll a RAUMIS és WATSIM modellekkel.

30.1. Előzmények, kronológia

A SPEL projekt az EUROSTAT megrendelésére (1978-), a Bizottság aktuális információ igényei kielégítésének céljából indult meg a 1980-ban. A rendszer első terméke az alap-adatbázis, vagy bázisrendszer (BS), mely Görögország, Portugália és Spanyolország belépése (a német egyesítés, ill. a legújabb belépések, pl. Ausztria, Finnország, Svédország) után átdolgozásra került. Ezt megelőzően már 1984-ben megkezdődtek a fejlesztések egy rövidtávú szimulációs és előrejelző rendszer (SFSS) kidolgozása érdekében. Ennek sikere vezetett az 1985-ben a középtávú szimulációs és előrejelző modul első, dinamikus változatának megalkotásához (MFSS1), mely a 90-es években további aktualizálásokon, bővítéseken (pl. takarmányozási modul) esett át (statikus MFSS2). Maga az SFSS is 1992-ben megújult. A SPEL rendszert az EUROSTAT erre a célra létrehozott csoportja használja, tartja karban (1986-1999). A SPEL alkalmazása és fejlesztése 1999 végével lezárult, s az eközben összegyűlt tapasztalatok új projektek alapjául szolgálnak (pl. IDARA, OPAL, AGRIS).A spanyol, portugál és görög csatlakozás után az új tagok adatai 1992-re véglegesítődtek. A német egyesítés után az új tartományok adatai kb. 1994-re álltak rendelkezésre (vö. SIMONA).

A bonni IAP két fontos kérdéskört kutatott az elmúlt évtizedekben: a politikai tanácsadás és szektormodellezés módszertanát, és elméleti alapjait ill. a német agrárgazdaság monitoring és szimulációs rendszereinek fejlesztését.Az elméleti és gyakorlati kutatások a 80-as évek elejéig a DFG megbízásából futó „mezőgazdasági termelési helyszínek konkurencia vizsgálata” című projekttel álltak kapcsolatban, s vezettek a QUISS, a DAPS és a DIES modellekhez, melyek közül időközben már csak a DIES modellt használják, míg pl. a SIMONA a regionális és környezetvédelmi kérdések vizsgálatát támogató RAUMIS modellel egyesült.

A SPEL-alapú projektek családfáját a miau.gau.hu/miau/34/modelbaum.ppt címen (a CD-n is megtalálható) diavetítés mutatja.

30.1.1. SIMONA

Az alábbi rövid ismertetés az IAP web-oldalai alapján készült. További részletekkel Böse (1994) disszertációja szolgál.A rövidítés mögött a volt NDK agrárgazdaságának szimulációs és monitoring modellje bújik meg. A volt NDK EU-ba való tagozódásának előkészítése kapcsán a német szövetségi mezőgazdasági kormányzat megbízására született modell az alábbi célokat tűzte ki maga elé: az információk folyamatos gyűjtése, rendszerezése, az MSZR kialakítása a volt NDK-ra, a megfigyelt változások okainak visszavezetése az alapadatokban mutatkozó tendenciákra, a mezőgazdasági szektor teljesítményének (hozamok, ráfordítások, jövedelem) várható alakulása, tervezett gazdaságpolitikai intézkedések várható hatásának elemzése, meghozott intézkedések monitoringja, az új tartományok tesztüzemi rendszerének megalapozása.A modell módszertani középpontjában egy „járási” szintű, folyamatelemzést lehetővé tevő (ágazati bontású) MSZR áll, mely a mezőgazdaságot, mint szektor mély felbontásban (regionális szint, üzemtípus szerinti csoportosítás) vizsgálja az ÁKM logikájának megfelelően az input-output kapcsolatok feltárásán keresztül.

217

A modell eredményeit a mezőgazdasági számlák összeállításakor az Agrárjelentésben (Agrarbericht), ill. egyéb szövetségi statisztikai kimutatásokhoz használták fel. A modell később összevonásra került a RAUMIS első változatával, s fejlesztési eredményei beleolvadtak a RAUMIS96 modellbe.

30.1.2. QUISS

A 70-es években megalkotott modellt saját korában a német modellezés egyik úttörő projektjeként tartották számon, s mint ilyet inkább egyfajta tapogatózó, kísérletező szemlélet hatotta át, mint sem a közvetlen gazdaságpolitikai tanácsadás célja. Az itt szerzett tapasztalatok szervesen beépültek a későbbi SPEL, RAUMIS és CAPRI alkalmazásokba.

A modell célja – mint az a nevéből is következik – regionális és üzemcsoport szerinti kvantitatív elemzések készítése és információk szolgáltatása a mezőgazdaságról.

A QUISS jellemzői: Komparatív statikus modell, közép-hosszú távra kialakítva. Inter-regionális jellegű az agrárszektor kínálatának leképezésében. 42 termelési körzetet (régiót) különböztet meg természeti és gazdasági jegyek alapján. 4 üzemtípust kezel méretük és szerkezetük alapján. Több mint 30 ágazatot ismer fel. MSZR-alapú jövedelemszámítást tartalmaz. Leképezi a munkaerő-felhasználást ágazatonként. Endogén erőforrás-allokációs számításokat végez.

30.1.3. DAPS

A későbbi SPEL és CAPRI modellek elődje. Szektorális (tehát nem regionális) jellegű. Nevében dinamikus elemző és előrejelző rendszerre való utalások bújnak meg.

Jellemzői: Rekurzív dinamikus, középtávra szóló modell. 19 növényi és 17 állati terméket termelő ágazatot kezel. 77 technológiai és beruházási variánst ismer. Exogén árakkal dolgozik. MSZR-alapú jövedelemszámítást végez. A tőkemozgások, a munkaerő-lekötés és egyéb kötelezettségek modell endogén módon kerülnek

kiszámításra. A rekurzív dinamikus visszacsatolás átfogja a termelés (pl. szarvasmarha-tartás), az erőforrások

lekötését (faktorok: beruházás, munkaerő), a jövedelem-felhasználást (pénzlekötés) és az adaptációs-folyamatokat.

Matematikai programozási és ökonometriai módszereket együttesen alkalmaz (pl. árnyékárak esetében).

Alkalmazási területei: A tej és a gabona adminisztratív árak hatásának elemzése. A mezőgazdasági jövedelmeket érintő adóváltozások várható hatásai. A gazdaságpolitikai keretfeltételek változásának hatása a mezőgazdaságra (munkanélküliség, infláció). A technikai haladás és a szerkezetváltozás hatásmechanizmusainak feltárása. Kamattámogatások és egyéb támogatások várható hatásainak számítása.

30.2. A SPEL célja és koncepciója

A rendszer életre hívását az alábbi célok váltották ki:

218

Az EUROSTAT agrárstatisztikáinak ellentmondás-mentesítése (konzisztencia-vizsgálata). A tagországok agrárszektorának (összehasonlíthatóságot biztosító feltételek közötti) megfigyelése és

eddigi fejlődésének (ex post) elemzése. Gazdasági politikai szcenáriók és döntések rövid- és középtávú várható hatásának szimulálása,

előrejelzése.Noha a szektormodellezése számos természettudományos, sőt filozófiai kérdést is érint, a fejlesztések célja egy, a napi használat számára alkalmas modellrendszer kialakítása volt. A SPEL tehát egy olyan eszközzé kellett, hogy váljon, mely egyszerűen és átláthatóan képes támogatni a politikai elemzések, szimulációk és előrejelzések készítését a felhasználó által kijelölt keretfeltételek mellett. Ez az elvárás a rendszer fejlesztését nagymértékben befolyásolta. A fejlesztés megkezdésekor ismert egyirányú gyakorlattal szemben, ahol is a rendelkezésre álló statisztikai információk alapján kerültek becslésre ökonometriai módszerekkel bizonyos összefüggések, a SPEL rendszer más utat választott. A felhasználókkal (elemzőkkel, politikusokkal) interaktív, s egyben iteratív módon került meghatározásra a vizsgálat menete. Ebben a rendelkezésre álló adatok csak kiindulási alapként szolgáltak, s nem tekintették ezeket véglegesnek, s magától értetődően helyesnek, hanem megkísérelték az alapadatok között felmerülő ellentmondásokat feltárni, s kiküszöbölni, vagyis egy olyan újszerű adatbázist létrehozni, mely valóban alapjául szolgálhat további feldolgozásoknak. Másrészt a rendszer fejlesztése abból indult ki, hogy a politikusok nem képesek érdemben a modell számára szükséges célfüggvényeket addig megfogalmazni, míg a komplex rendszert mélyebben meg nem ismerték. Így a modell alkalmazását többlépcsős, interaktív folyamatnak tervezték meg, mely során a felhasználóban fokozatosan alakulnak ki a kérdések és a célok.

52. ábra A hagyományos modellezés gyakorlata(forrás: SPEL System, Überblick, EUROSTAT, 1992)

adatok modell jelentés

Kooperáció a konzisz-tencia fogalmának

definiálásánál

Dialógus a politikusokkalgazdaságpolitikai szcenáriók

kialakítása érdekében

53. ábra ábra: A modellezés gyakorlata a SPEL-ben(forrás: SPEL System, Überblick, EUROSTAT, 1992)

A modell fejlesztésekor az alábbi elvek játszottak döntő szerepet: Modularitás (önálló, egymással szabadon kombinálható modulok, az átláthatóság és a munkamegosztás

támogatására). Folyamatelemzés (a szektor felosztása ágazatok ezek technológiai visszatükrözése és a köztük lévő

függőségek kifejezése érdekében). Konzisztens keretrendszer (mérlegszerű megfeleltetése a keletkezett és felhasznált erőforrásoknak,

termékeknek, állatlétszámok alakulása, készletek alakulása, takarmány-gazdálkodás logikája, koefficiensek plauzibilitása a kiegyensúlyozás után).

Transzparencia (minden modellverzió minden egyes elemében lekövethető egészen az alapadatokig és a felhasznált hipotézisekig).

Rugalmas felhasználói felületek és interfészek (a modell és alkalmazói közötti felhasználóbarát jellegű kapcsolattartás támogatására).

219

30.3. A SPEL rendszer felépítése

A SPEL rendszer az EUROSTAT 2000-ig érvényes MSZR-szabályzata alapján került kialakításra. Az új MSZR elveknek megfelelő, működőképes modell kialakítása folyamatban van. A SPEL rendszert három főmodul alkotja, melyek egymással kompatíbilis, szoros kapcsolatban állnak: Bázismodul (bázisrendszer, BS) Rövidtávú előrejelző és szimulációs modul (SFSS) Középtávú előrejelző és szimulációs modul (MFSS)

30.3.1. A bázismodul (BS)

StruktúrájaA BS jelenleg a 15 tagország, ill. ezek aggregált adatait tartalmazza 1973-tól napjainkig, naptári évenként. A közép- és kelet-európai országok, köztük hazánk adatai is a PIT és az IDARA projektek során konvertálásra kerültek a SPEL kódolási rendszerébe.A BS részei, alapadatai (forrás: IAP-weboldalak, 2000.07.): 35 növénytermesztési és 13 állati terméket előállító ágazat (aggregált!) 51 növényi és 27 állati termék (vetésterület, hozamok, árak, termékmérlegek: felhasználási pozícióként

mennyiségek, árak) 9 növényi ráfordítási kategória, 19 állati ráfordítási kategória, ill. 8 növényi és állati ráfordítás-kategória

(vö. folyó termelő felhasználás) INLB (vö. tesztüzemi rendszer adatbázisa, FADN, MSZIH) Szakértői becslések (pl. „újrabeszerzési” értéken kimutatott amortizáció)

Szimulációk futtatásához szükséges egyéb elvárások: Elaszticitások (lényegében a konzisztens alapadatokból képletszerűen, ill. szakértői úton levezetendő

értékek) Takarmányok beltartalma Állatok takarmányozási igényei Export-import statisztikák

Az adatokat legáttekinthetőbb formában egy táblázatként foghatjuk fel, mely négy negyedre osztható: bal felső negyed – termékkeletkezés jobb felső negyed – termékfelhasználás bal alsó negyed – ráfordítás-felhasználás jobb alsó negyed – ráfordítás-keletkezésA táblázat sorai felül a mezőgazdasági kategóriába sorolt termékek (pl. búza, szemeskukorica, tej, tojás, stb.), ill. az alsó részben az ezek előállításához felhasznált ráfordítások (NPK, vetőmag, takarmány, vegyszer, energia, szolgáltatások, stb.). A táblázat oszlopai bal oldalon az egyes ágazatok, ill. jobb oldalon a felhasználás, ill. keletkezés helyei (saját fogyasztás, piaci értékesítés, ill. piaci vásárlás, feldolgozás, készletváltozás, stb.). Értelemszerűen a négy negyed azonos mennyiségeket (naturális adatok) és értékeket (monetáris adatok) tartalmaz, azaz csak annyit lehet felhasználni, amennyi keletkezett, ill. az előállított érték egyenlő a felhasznált erőforrások értékének és a termelés eredményének összegével. A naturális adatok és a termék/ráfordítás (termelői, beszerzési) árak szorzata vezet a monetáris adatokhoz. A termelői és a beszerzési árak alapvetően nemzeti valutában és nominálisan kerülnek megadásra, de az idősoros és a térbeli (tagországok közötti) összehasonlíthatóság érdekében a SPEL BS tartalmazza az inflációs korrekció lehetőségét, ill. a konstans áras (pl. az 1990-es év adatait bázisként használó) számításokat. A SPEL BS az ágazati bontás mellett lehetővé teszi a bruttó (a szektor teljes termelésének elszámolását), s a nettó elszámolást (csak a szektort ténylegesen elhagyó termékvolumenek követését), így a kettő különbözeteként lehetséges a szektoron belüli (intraszektorális takarmány- és vetőmag-felhasználás, állatok

220

beállítása, …) mozgások követése. A nettó és a bruttó termékáramlás egyidejű leképezése alapján az agrárszektor teljes ráfordítás-struktúrája követhetővé válik, azaz látható mennyi pl. a saját termelésű takarmányok és a vásárolt takarmányok aránya, hasonlóan a vetőmaghoz, a növényi tápanyagokhoz (szerves- és műtrágyák aránya).A növénytermesztés ágazatai esetében az országos átlagos technológiát a hektárra vetített inputkoefficiensek adják meg. Az állati termék termelés ágazatainál pedig általában egy állatra vonatkoztatva kerülnek kifejezésre a felhasznált inputok mennyiségei. Azokban az esetekben, ahol az SPEL ágazat több valós ágazat aggregációjaként áll elő (pl. gyümölcstermesztés), ott az átlagos mennyiségi adatok (pl. hozam/ha) első látásra nem értelmezhetők, kizárólag a súlyozott átlagszámítás szabályai és az egyes alapágazatok alapadatai segítségével interpretálhatók az aggregátumok. Értelemszerűen a SPEL BS tartalmazza a teljes vetésszerkezeti és állatállomány idősorokat. Míg a vetésszerkezet éves alakulása csak durva szakértői ellenőrzésre (elővetemény-struktúra helyessége) ad lehetőséget, s ezt is csak addicionális adatok alapján (egyes kultúrák termesztésére alkalmas területek nagysága, esetlegesen regionális megoszlása (vö. SZIE KTI-kutatások, http://svr-sun.ktg.gau.hu/~podma/zona/), addig az állattenyésztés esetében (különös tekintettel a szarvasmarha állományok alakulására) az állományok éves mozgása (selejtezés, tenyész-alapanyag mennyisége, átminősítés, stb.) endogén modellszámításokra (konzisztencia-vizsgálatra) ad lehetőséget (egy tehénre jutó borjak számának idősoros alakulása, vágóállatok átlagos súlyának éves alakulása).Az ágazati és termékbontású táblázatban általában a főtermékek egy fajta átlós adatstruktúrát mutatnak a bal felső negyedben, azonban a mellék- és ikertermékek megadása is magától értetődően lehetséges.A SPEL BS alapjául szolgáló, előzetes adatokat a tagországok az utolsó 1, ill. 2 év tekintetében többszörösen módosítják. Egy adott naptári évről a MSZR adatai kb. 1 éves késéssel állnak rendelkezésre (vö, KSH MSZR publikációk 1999-ről 2000 év végén).

A SPEL BS az „egy ország, egy üzem” elv alapjára épül, így tökéletesen alkalmas üzemi szintű elemzések kereteként is! Ekkor érdemes az Excelben rejlő hivatkozások lehetőségét teljesen kihasználni az aggregációk alapadatainak hasonló strukturált tárolása és feldolgozása érdekében. Az üzemi szintű SPEL (MSZR) elszámolások bevezetése lehetővé tenné, hogy a SPEL adatbázist a szaktanácsadás hasonlósági esetgyűjteményként használhassa fel az üzem-összehasonlítás során.

Magyarországi tapasztalatok: A magyarországi MSZR munkacsoport 1995 óta dolgozik a SPEL–alapú magyar adatbázis

összeállításán. Az 1995-2000 között összegyűlt tapasztalatok fontosabb lépései és eredményei: SPELGR-projekt (http://miau.gau.hu/spelgr) ISM elemzések, http://miau.gau.hu/miau/02/mszrnew.doc, 1997 A PIT projekt adatbázisának kialakítása (1997-1999) TIIK konferencia előadásanyagai, mint egyetemi jegyzet (http://miau.gau.hu/miau/06/szgyeu97.doc)

1997 A MIMIR-MITIR-MIVIR koncepció kialakulása (http://miau.gau.hu/news) 1998- A MIAÚ digitális kiskönyvtár MSZR-fejezetének összegyűjtése (search miau) 1998- A régi és az új MSZR kézikönyv lefordítása (http://miau.gau.hu/spelgr), 1995/96, 1999/2000 A RENOAAR projekt életre hívása (http://miau.gau.hu/miau/01/renoaarjuni.html), 1997/98 Az OTKA kutatások megkezdése (http://miau.gau.hu/miau/19/otkastudy.doc ,

http://miau.gau.hu/miau/31/otkastudy2.doc), 1999-2000 Az IKTABU projekt életre hívása (http://miau.gau.hu/iktabu), 1999- Az IDARA projekt életre hívása (http://www.agp.uni-bonn.de/agpo/rsrch/idara/idara_e.htm), 1999- Bulgár-magyar tapasztalatcsere, http://miau.gau.hu/miau/12/bulgar.html, 1999 AKII publikáció, http://miau.gau.hu/miau/14/tukor.doc, 1999 Az OPAL projekt megindítása 1999- MSZR-orientált KSH publikációk, 2000

A projektek kapcsán fényderült arra, hogy a magyar agrárstatisztika nemzetközi összevetésben is megállja a helyét.

221

Az adatok minőségét azonban további elemzésekkel (konzisztencia-vizsgálatok) lehetne javítani, a mérlegszerűség szem előtt tartásával, a különböző források és szakértők véleményének összevetése révén.

Javítható lenne az intézményközi koordináció, az egységes adatbázis és a ráépülő elemzések lehetőségének megteremtése révén.

AdatforrásaiA BS adatai az EUROSTAT New-Cronos adatbázisok (ZPA1, COSA, PRAG, FEED, SEC1) alapján kerülnek frissítésre. Az adatok struktúrája megfelel az ABTA és a MAC logikájának, vagyis az ágazati szintű mezőgazdasági számlarendszernek és a technológiai koefficiensek rendszerének. A mezőgazdasági számlarendszer – noha logikájában bizonyos eltéréseket tartalmaz – mégis szerves része a nemzeti számlák rendszerének. A tagországok (ill. tagjelölt országok) adatait a mindenkori statisztikai hivatalok jelentik az EUROSTAT felé. Az adatok követésének egyik legkézenfekvőbb módja a Cronos-kódok szerinti értelmezés (vö. IDARA).Az alapadatok egyrészt naturális, másrészt monetáris formában állnak rendelkezésre. A SPEL rendszer biztosítja a mérlegszerű és az átszámításokra alapuló ellentmondás-mentességet úgy a monetáris, mint a naturális adatokon belül és adatok között. Az ún. plauzibilitás és konzisztencia-vizsgálatok módszertana egy állandóan fejlődő szakértői ötlettárházat jelent, melyben az egyedi adatok hitelessége (plauzibilitás) és két vagy több adat ellentmondásai (konzisztencia) apróbb-nagyobb számítások segítségével kerülnek feltárásra és revidiálásra! Így a SPEL BS nem az alapstatisztikák újszerű gyűjteménye, hanem ezek hibáitól jórészt mentesített számított eredmények sorozata.

A SPEL BS adatainak kb. 90%-a a nemzeti statisztikai adatok alapján kerül levezetésre. Az adatforrások az alábbiak szerint osztályozhatók: Alap- (nem módosítható) statisztikák (melyek a konzisztencia számítások alapját adják, ezen jórészt

nemzeti számla alapú adatok változatlanságát biztosítva kell a kiegyensúlyozást az ágazati koefficiensek esetében elérni).

Módosított statisztikák, (melyek a nemzeti statisztikákon alapulnak, de a konzisztencia vizsgálatokalapján revidiálásra szorulnak, s revidiálásra is kerülnek, mint pl. a ráfordítás-felhasználás bizonyos adatai).

Kalkulációs adatok, (melyek a statisztikai adatok hátterét jelentik, s lehetővé teszik fajlagos ráfordítás koefficiensek kialakítását, alágazati, termék minőségi, regionális/területi és üzemtípus szerinti bontásokat, stb. az aggregátumok jobb megértése érdekében, ill. melyek lehetővé teszik a növényi tápanyagszükséglet és az állatok takarmányigényének helyesebb leképezését).

Reziduális adatok, (melyek számítások eredményeként jönnek létre, s melyek jórészt az ismert statisztikai adatok elemzését célzó publikációkban megjelennek, pl. hozzáadott érték adatok, piaci árak. A meglévő és a számított adatok összehasonlítása alapján valószínűsíthető a SPEL algoritmusainak helyessége.)

A SPEL BS évente a tagországoktól, mint egy 1200 adatot igényel. Ezek ellenőrzésével kapcsolatban az alábbi lépések merülnek fel: Plauzibilitás tesztek elvégzése (az adatátviteli, gépelési hibák automatikus kiszűrésére). Hiányok pótlása az idősorokban (zömmel regressziós alapon). Egyéb adathiányok pótlása (korrelációs, ill. hasonlósági alapon, teljes mértékben dokumentálva)A magyar tapasztalatok szerint: A MSZR-alapú adatgyűjtések alapvetően a(z) KSH vetésszerkezeti és állatlétszám adataira KSH termékmérlegeire KSH nemzeti számlák adataira AKII input-koefficienseire (tesztüzemi adatgyűjtés) PM, FVM szakértői véleményekre

támaszkodik. Nincs jelenleg Magyarországon egy ún. konzisztencia bizottság, mely a munka során feltárt

ellentmondásokat jogilag és szakmailag megalapozottan tisztázná.

222

Nincs egységes hazai agrárinformatikai rendszer (adatbázis, dokumentációk, hozzáférési jogosultságok, kutatás-elemzés-PhD-koordináció, PR-stratégia, továbbképzés, regionalizálás, üzemtípus szerinti bontás, nemzetközi koordináció).

Aktuális állapotaA SPEL BS évente legalább kétszer kerül frissítésre (tavasszal és ősszel) a CRONOS adatbázisba időközben beérkezett jelentések alapján. A tavaszi aktualizáláskor jórészt az állatállományok adatait érintik, míg az őszi aktualizáláskor a MSZR revidiált adatai kerülnek feldolgozásra.Az egyes időpontokhoz kötődő adatbázis-állapotok elvileg archiválásra kerülnek, ami lehetővé teszi az egyes korábbi elemzések reprodukálását. Az egyes verziók archiválása mellett a makro-ökonómiai elemzések nap, mintnap megküzdenek az adatkronológia kérdésével, vagyis azzal, hogyan is lehetne átláthatóan, mégis teljes körűen az egyes forrásokból és eltérő időpontokból származó alapadatokat tárolni, aggregálni, s mindenkor a legutolsó állapot alapján szimulációkat végezni. Az alapadatok mellett egységes adatbázis szemlélet érvényesül a számított (pl. három éves, öt éves átlagok, ill. modellezési eredmények) adatok tekintetében is (*.TAB). A SPEL rendszer adatlekérdezéseit egy az EXCEL pivot lekérdezésihez hasonló viewer támogatja (SPEL DAOUT-viewer).Megj.: Az adatkronológia minimumának megteremtését célzó alapvető megoldás a „mutáns sündisznó” nevű Excel verzió, melyben az egyes aktív kódok szekvenciálisan, egy táblázat soraiban vannak jelen, a mindenkori aktuális értéket a szöveg utáni első oszlop tartalmazza, s minden korábbi adat ettől jobbra helyezkedik el. Ha új adat kerül elő, akkor a régiek egy oszloppal jobbra tolódnak. Ennek alapján az egyes aktív kódok eltérő hosszúságú előélettel (eltérő hosszúságú tüskékkel) rendelkezhetnek. A cellákhoz fűzhető megjegyzések, keretek, szöveg- és háttérszínek, mintázatok, betűtípusok és formátumok, stb. majdnem tetszőleges klasszifikálásokat (források, érvényesség, aggregációs csoportok, stb.) tesznek lehetővé, mint ahogy ez az IDARA projektben is megfigyelhető. Az alapvetően Excel (SPELGR, OPAL) és Access alapú adatnyilvántartás (PIT, IDARA, RENOAAR) a rendszerezést támogatók makrók és modulok ellenére jelentős fejlesztési időt emészt fel minden egyes projektben, így kézen fekvő lenne egy egységes európai adatbázis felépítése, mint ahogy ennek tervei már többszörösen megfogalmazódtak. Sajnos az egyes tagországok és tagjelölt országok nemzeti adatvagyon gazdálkodása is sok kívánni valót hagy maga után (vö. MIVIR-koncepció). A jelenleg folyó magyarországi fejlesztések a nagyvállalati információs rendszer-építés tapasztalatait szeretnék a kormányzati szférában is meghonosítani (vö. IKTABU).

30.3.2. A rövidtávú előrejelzések és szimulációk modellje (SFSS)

AlapkoncepciójaA SPEL SFSS céljai: A SPEL rendszer aktualitásának biztosítása (a statisztikai time-lag áthidalása, a pillanatnyi termelési és

jövedelmi helyzet elemzése). Gazdaságpolitikai szcenáriók 1 (maximum 2) éves várható hatásának szimulálása, előrejelzése

(termelés-, ár- és jövedelem-változások becslése, a Közös Agrárpolitika változásának hatáselemzése, különös tekintettel a az éves árjavaslatokra).

Az SFSS központi hipotézise szerint a termelésre vonatkozó legfontosabb döntések (allokáció) már megszülettek. A termelés már folyamatban van. Így a legfontosabb exogén változók szakértői (nem statisztikai) szinten már meghatározhatók (becsülhetők). Csupán a rövidtávon egymást helyettesíteni képes erőforrások és termékek (pl. különféle takarmányok) kell, hogy modell endogén módon kerüljenek számításra.A rövidtávú előrejelzések és szimulációk módszertani alapjai: Ökonometriai trendelemzés minden input- és outputkoefficiens, valamint az árak és a termelés mérete

esetében. Szakértői (exogén) trendelvárások (EUROSTAT szakértők, DG VI piaci rendtartás szakértők, ill.

nemzeti szakértők – a várható hozamváltozásokról, ill. a ráfordítási szintek és az árak változásáról) Gazdaságpolitikai intézkedések keretszámai (rendszerváltozók beállításai).

223

Konzisztencia számítások eredményei. Meteorológiai események követése.

Az SFSS korlátai: Kizárólag csak a szektor termelésének és jövedelmezőségének számítása történik. Allokációs módosulások (munkaerő-lekötés, tőkemozgások), ill. a beruházási stratégiák és a munkaerő-

áramlás változása nem kerül figyelembe vételre.

Előrejelzések időintervallumaiA statisztikai time-lag, vagyis az események megtörténte és a róluk szóló (előzetes) adatok rendelkezésre bocsátása között eltelő idő bizonyos esetekben elérheti a 2-3 évet is. Az alábbi táblázat érzékeltetni szeretné az idő és a (végleges, előzetes) adatok rendelkezésre állásának viszonyát (T(0) alatt a folyó év közepét kell érteni):

Idő (év) Végleges adatok Előzetes adatok ÖsszesenT(0) 0 1 1T(-1) 10 25 35T(-2) 50 25 75T(-3) 94 1 95T(-4) 100 0 100

SFSS-1. táblázat: Statisztikai adatok rendelkezésre állásának aránya (%)(forrás: SPEL System, Überblick, EUROSTAT, 1992)

A táblázat alapján látható, hogy az adatok aktualizálása négy visszamenőleges évet érint. Feltételezve, hogy az átlagos time-lag 2 év. Így bázisévként a „T-2“ évet kell választani (s elemzések és publikációk céljára ekkor is gyakran az ezt körül vevő évek átlagát). Így a „T-1“ az első előrejelzési évet, „T“, vagyis a folyó év, a második előrejelzési évet jelenti. „T+1” pedig az első ex ante becslés, vagyis a harmadik prognózis évét jelöli. Így az első prognózis év a bázis évhez képest elvárt % változások (hozamok, árak, vetésterületek, állománylétszámok) alapján aktualizálható. A második prognózis év, vagyis a folyó év – attól függően, hol is tart az éven belül az idő - tekinthető egy fajta százalékos aktualizálásnak (ex post), ill. valódi ex ante előrejelzésnek. Az előrejelzett változások és a ténylegesen realizált értékek szisztematikus összehasonlítása a modell minőségi javulásához vezet.A kialakult gyakorlatnak megfelelően az SFSS-t évente kétszer, tavasszal és ősszel készítik el. Az őszi rutinszerű alkalmazás alapvetően a folyó évre koncentrál, míg a tavaszi a „t-1” év aktualizálását jelenti.

AlapműködéseAz SFSS keretében két lépésben történnek a becslések: Elsőként minden egyes ABTA változó (hozamok, árak, méretek) egyedi becslése történik meg. Majd az így kapott eredményeket kombinálják a konzisztens keretrendszerben.Ilyen számítások minden tagállamra elvégzésre kerülnek. S az EU ezek aggregációjaként áll elő.

Exogén változók egyedi becsléseA becslésre szoruló ABTA-változó tartalmától és a becslés időpontjától (jellegétől) függően az alábbi becslési lehetőségek állnak rendelkezésre: Előzetes adatok elfogadása (elsődleges megoldás). Indikátorok alkalmazása (melyek jó közelítéssel jelzik a keresett érték változásának irányát, mértékét,

pl. meteorológiai adatok, határidős tőzsdei adatok, vetett területek, árvízkárok, stb.). Ex post trendek számítása (ha nem áll egyéb adat rendelkezésre).A tipikus ex ante prognózisoknál még nem állhat rendelkezésre semmilyen előzetes, vagy indikátorként alkalmazható információ, így ezen esetekben nem marad más hátra, mint a trend-alapú becslés.Mivel a rövidtávú, ill. pillanatnyi hatások (szárazság, sertésciklus) módszeres megragadására nem állnak rendelkezésre megfelelő módszerek, így az ezekről szükséges információkat a szakértő becslések bevonása biztosítja.

224

Szakértői vélemények bevonásaAz exogén változókra vonatkozó, s módszeresen előállítható becsléseket a kialakult gyakorlat szerint rendszerjavaslatoknak tekintik, melyeket szűkebb szakterületek szakértőinek adnak át ellenőrzés céljából. A szakértő a már kialakult becslések mellett megkapja az ezek számításához felhasznált alapadatokat és az eljárások leírását is. (A búzahozam esetében tehát megkapja a szakértő a legjobbnak ítélt regressziós görbét és ennek alapadatait.)Megj.: Jól érzékelhető a szakirodalmi példa alapján, hogy a módszeres becsléshez a szakértő nem kap értékelést arról, hogy a kiválasztott, s legjobbnak ítélt eljárás milyen lépéseken keresztül készült. Ilyen információ generálására alkalmas egyfajta tanulási és teszt eredménysor, mely a mesterséges intelligencia eljárások esetében a metódus jellegéből adódóan keletkezik, s jelezné itt is, hogy az alkalmazott módszer hol, mikor és milyen módon vált be. A statisztikai korrelációs számítások, hibahatár-számítások és egyéb mutatók ezt csak közelítik, de nem pótolják.A szakértő mindezek birtokában vagy elveti és megváltoztatja, vagy helyben hagyja a prognózist. A módosítások dokumentálásra kerülnek, s „ez lehetővé teszi a szakértői vélemény helyességének utólagos értékelését“! (forrás: SPEL Überblick, O.26.)A szakirodalmi tapasztalatok és az általános megközelítés/vélekedés alapján a szakértői vélemények a módszeres becslések helyességét nagymértékben javítják (de lásd: Pásztor Márta: TDK1, TDK2).Megj.: A komplex rendszerek emberi megítélése azokban az esetekben, ahol az emberi szenzorok, az emberi érzékelés speciális, indikátor jellegű (esetleg nem számszerűsíthető, absztrakt) adattöbbletet képes generálni, mint pl. a vetés egyenletesség megítélése, az állat habitusának érzékelése, a mikroklíma megtapasztalása, a talaj szemrevételezése) valóban elvárható, sőt elvárandó, hogy a szakértő több esetben helyes irányba módosítson adott előrejelzéseken. Ha azonban a szakértő is csak adatok, s nem érzékelés alapján tud egy becslést megítélni (pl. ár-, árfolyam-prognózisok), akkor már nem várható el magától értetődően a becslések helyességének automatikus növelése, sőt szembesülni kell azzal, hogy bizonyos előrejelzési eljárások szisztematikusan jobb eredményekre vezetnek, mint emberi konkurenseik. Így az a tapasztalat, mely szerint a modell belső mechanizmusai alapján alkotott becslések jelentős mértékben megjavíthatók szakértői véleményekkel, nem feltétlenül a szakértők dicsérete, hanem sokkal inkább a nem megfelelő modelltechnika alkalmazásának jele. Természetesen a költség-haszon elvet ez esetben sem szabad szem elől téveszteni, azaz feltehetően egy komplex előrejelző modul megalkotása és karbantartása lényegesen drágább, mint egy szakértői hálózat fenntartása, melyre lényegében akkor is szükséges lenne, ha csak helyben hagyatnák vele a nagy valószínűséggel helyt álló módszeres prognózisokat.

Integrációja az ABTA-hozAz egyedi módszeres, ill. szakértői szinten felülbírált becslések az ABTA alapadataiként feldolgozásra kerülnek, mely többlépcsős (rekurzív) feldolgozási folyamat eredményeként egy formálisan koherens adatrendszer áll elő. Minthogy az így kialakuló formális eredmények még nem minden esetben tekinthetők ökonómiailag védhetőnek, az eredmények újabb tovább-feldolgozáson esnek át, mely akár az eddigi eredmények revíziójához is vezethet. Éppen ezért az egyes lépések szigorúan dokumentálásra kerülnek, s az alkalmazók számára ezek megtekinthetők.

Aktuális állapotaA SFSS számítások az adatbázis aktualizálásokkal szinkronban évente min. kétszer történnek meg. Amennyiben a Bizottság további igényeket fogalmaz meg, ezek értelemszerűen kielégítésre kerülnek.A BS adatok mellett a SFSS is évente publikálják. Az SFSS modult 8 EU tagországban vezették be.Az SFSS módszertani helyességét (bele értve a szakértői véleményeket is) a 80-as évek végén vizsgálták az addig készült előrejelzések és az időközben realizálódott tények alapján. A vizsgálatok a módszer pozitív értékeléséhez vezettek. A módszerek folyamatos ellenőrzése és karbantartása, fejlesztése hosszú távon elengedhetetlen.

30.3.3. A középtávú előrejelzések és szimulációk modellje (MFSS)

KoncepciójaA MFSS lényege, hogy az árváltozások (ill. a támogatási rendszer) hatását képes visszatükröztetni

225

az input- és outputkoefficiensek, valamint helyettesíthetőségek változásai tekintetében.

A MFSS a politikai elemzések eszköze, s a politikusok és a döntés-előkészítők közötti dialógus támogatását szolgálja. Ennek megfelelően az MFSS átlátható kell, hogy legyen, vagyis a döntéshozóknak érthetők kell, hogy legyenek a modell-folyamatok

és az adatok áramlása kellően részletes kell, hogy legyen a döntésekkel befolyásolható jelenségek és a döntésekkel

befolyásolható eszközök visszatükrözésében aktuális és rugalmas legyen a rendelkezésre álló információk kezelni tudásában.

Az MFSS két egymással ellentmondásos viszonyban álló elvárással kell, hogy szembesüljön: minél pontosabb becsléseket kellett szolgáltatnia úgy, hogy a politikai intézkedések által befolyásolható változók, s befolyásolt jelenségek is beépítésre

kerülhessenek a szimulációk lehetővé tétele érdekében.

A célok és elvárások szorításában a modell két fő lépére alapoz: a trendalapú előrejelzésekre (input- és outputkoefficiensek, méretek, árak) és a Közös Agrárpolitika hatásainak szimulálására.

A trendalapú előrejelzések az ABTA idősorain alapulnak, s hasonlóak az SFSS eljárásaihoz, azzal a különbséggel, hogy hosszabb időtávra kell előrejelezniük a változásokat. Az MFSS előrejelzések is támaszkodnak szakértői véleményekre, az ex post trendek elemzésére és konzisztencia vizsgálatokra.A szimulációk során az alaphipotézis nem más, mint az, hogy az elvárt (trendalapú) és az adminisztratív úton sugallt árak közötti különbség felelős a kínálat mennyiségi és strukturális változásaiért.Az MFSS egy éves léptetésű, rekurzív modell. Az alapadatok (bázisév) vagy a SPEL BS vagy az SFSS modellből származnak. Évente kerül kiszámításra a kínálat és kereslet változása a konzisztens keretrendszer segítségével, s ez ismétlődik évente a bázisév léptetése mellett, általában 5 évre előre.

Egyszerű verziója (MFSS1)Az MFSS1 alkalmazási területei és filozófiája (1984-1988): Mélyre ható ex post elemzést és trendbecslést tesz lehetővé az input- és az outputkoefficiensek, az árak

és méretek esetében, annak feltételezése mellett, hogy a trendből következő és az adminisztratív módon megadott árak

különbsége a kínálatot befolyásolja. Az ár-kínálat-elaszticitás az ágazatok mérete és hozamai tekintetében saját becslésekre és szakirodalmi

adatokra alapul. A területhasználatot és a ráfordítás-felhasználást a számlarendszer konzisztencia elvárásai szerint kezeli.

További specifikumok: A kínálatot kizárólag csak az output árak befolyásolják. A hozamra és a méretekre gyakorolt árhatásokat

a rendszer külön kezeli. A hozam- és inputkoefficiensek, ill. a méretek a trendek alapján kalkulált és a politikai intézkedések

által elvárt árak közötti különbségek figyelembe vételével módosításra kerülnek. A módosítások alapvetően a megadott hozam- és inputkoefficiensek ár-elaszticitások alapján történnek. S ezen számítások évenként megismétlődnek.

Minden egyes év egyedileg, azaz pozíciónkét becsült eredményei a konzisztenciát biztosító keretrendszerben ellenőrzésre, s ha szükséges (szakértői ellenőrzés alapján) módosításra kerülnek.

A megoldás előnye, hogy a felhasználó számára transzparens, könnyen módosítható keretrendszert eredményez, s ezt számos esetben bizonyította is.

226

Bővített verziója (MFSS2)A moduláris és számos elméletet visszatükröző MFSS2 jellemzői (1988-1999): A kínálati modulban illesztett ármodul az árakat ex post tapasztalatok alapján vezeti le, s az ágazatok

hozzáadott értékét az árak és a technikai haladás alapján vezeti le. A kínálati modulba illesztett hozammodul termelési függvényekre alapul, s egyben a hozamot az input-

output árak, ill. a ráfordítások változásai függvényeként jellemzi. A kínálati modulba illesztett aktivitás (erőforrás-allokációs) modul határozza meg a várható ágazati

hozzáadott értékek és ezek elaszticitásai alapján az egyes ágazatok várható méretét. A keresleti modul termékmérlegekre és kereslet-függvényekre támaszkodik minden egyes termék

esetében. A kereslet és kínálat kiegyenlítése a rendszer feladata.

További specifikumok: Az árelvárások modellje két lépcsőben alakult ki. Egyrészt a kilencvenes évek elejéig az ármodult

jórészt kiszorította az exogén módon megadott árak adatsora, majd a továbbfejlesztések eredményeként az ármodul összefüggésbe került a keresletszámításokkal és a kereslet-kínálat egyensúlyának kalkulációjával.

A hozammodul termelési függvényekre alapoz, s egyben támogatja azon hipotézis visszatükrözését, mely szerint a gazdák ráfordításaikról és hozamszintjeikről a jövedelemmaximalizálás elve értelmében döntenek. A szektorális termelési függvények becslését ellehetetleníti az a tény, hogy a hozamok és ráfordítások változása jórészt nem az árak által indukálódott az EU-ban. Ezért a SPEL függvényeinek formája kísérleti adatok alapján került megállapításra. A paraméterek becslése tagországonként, a jövedelem maximalizálásának feltételezése mellett a rendelkezésre álló hozam- és ráfordítás-idősorok alapján került elvégzésre. A kapott eredmények a könyvviteli (tesztüzemi) adatok alapján plauzibilisnek minősíthetők.

A hozammodul teszi lehetővé a termelés intenzitásváltozásainak magyarázatát az inputok outputok árainak függvényében. Ez a Közös Agrárpolitika keretében megfigyelhető ármozgások és a környezetvédelmi (N-műtrágya) problémák modellezése miatt különös fontos.

Az aktivitásmodul lehetővé teszi, hogy az ágazatok méretét ezek várható hozzáadott értéke és ne csak a termékárak befolyásolják (mint az a MFSS1 verzióban történt). Ezen elvárás kielégítése saját becsléseket és szakirodalmi adatok integrálását jelentette a hozzáadott értékek elaszticitásának meghatározását illetően. Az elaszticitások teoretikus elvárásoknak való megfeleltetésekkel, egy önálló modulban kerülnek kalibrálásra.

A modell előnyei abban mutatkoznak meg, hogy szolid elméleti keretek között képes a szakértők tapasztalati úton meghatározott paramétereit kezelni. A rekurzív számítási logika átláthatóvá teszi és egyben biztosítja az egyszerű módosíthatóságot.

Aktuális állapotaAz MFSS modulokat az alábbi fontosabb projektekben használták fel: 1985 a Bizottság Zöld Könyvének számításaihoz 1988 a valuták/devizák árfolyam kiegyenlítését támogatók tételek leépítésének elemzéséhez 1988/89 a stabilizátorok bevezetésének elemzéséhez 1990 az ártámogatások leépítésének elemzéséhez 1991 Mc Sharry javaslat elemzéséhez (vö. esettanulmányok) 1992/93 a minisztertanács döntéseinek elemzéséhez (vö. esettanulmányok) 1995/96 politikai opciók elemzéséhez (vö. esettanulmányok) 1997- tagjelölt országok adatainak elemzéséhez (PIT, IDARA)

227

30.4. Egyéb jellemzők

30.4.1. Technikai jellemzők

A SPEL rendszer alapvetően FORTRAN nyelven íródott. Egyes NLP számításokhoz a MINOS 5.3. szoftvert használták fel. A SPEL lekérdező felülete a DAOUT program sok tekintetben hasonlít az Excel pivot megoldásaihoz (dimenziók tetszőleges kapcsolatai), de bonyolult lekérdezések is lehetséges a felhasználó számára. Az adatbázisban az aggregációk, átlagolások lehetnek tárolva, de számíthatók úm. röptében is.

30.4.2. Modulok és hatásmechanizmusok

Az alábbi ábra annak érzékeltetését célozza, mely agrárpolitikai eszközök milyen modellezési sémák és keretfeltételek mellett képezhetők le:

Általános gazdaságpolitikai környezet Demográfiai helyzet változásai

Kínálatkomponensei:> hazai termelés> faktor-lekötés> intraszektorális felhasználás> sajátfogyasztás> készletváltozás> értékesítések> eladások>hozzáadott érték

Kereslet-kínálat-egyensúly, árképzés> termelői árak> fogyasztói árak> termékmérlegek>

Külkereskedelem> import> export> világpiaci árak

Költségvetés:a piaci rendtartásköltségei

Keresletkomponensei:> nem mezőgaz-dasági termékekhazai felhasz-nálása> készletváltozása piacokon

Agrárpolitikai intézkedésekKínálatszabályozás Támogatások Árak Kereskedelempolitika

54. ábra SPEL-hatásmechanizmusok

30.5. SPEL rendszer jövője

30.5.1. PIT

A PIT projekt keretében az EU megbízására 1997 és 1999 között létrejött Magyarországról az első nem hivatalos, de módszerében SPEL alapú adatbázis, mely alapján a magyar agrárfejlődés ex post elemzése megtörtént (Köckler, 1999). A PIT adatbázis szolgál kiindulási alapként az IDARA projekt szimulációs moduljához.

30.5.2. AGRIS

Az AGRIS rendszer az EUROSTAT saját fejlesztésben létrehozni kívánt rendszerének neve, melynek a jövőben feladata lenne – a SPEL tapasztalatait alapul véve – egy egyszerűsített Excel és Access alapú prezentációs és elemző szolgáltatás kialakítása…

30.5.3. IDARA

Az IDARA projekt, az EU 5. keretprogramja részeként 2000 és 2003 között fut, s három modult érint. Ebből a szimulációs modul szervesen kapcsolódik a PIT keretében kialakított adatbázis tovább-feldolgozásához. Az új adatbázis ugyan nagyobb részletezettségű lesz, mint a SPEL, de kódszótára révén a kompatibilitás

228

megmarad. Az IDARA adatbázisa integrálja az OPAL keretében operacionalizálódott tapasztalatokat. Míg a SPEL és a PIT a régi MSZR alapján készült, addig az OPAL már az új módszertan alapján gyűjti adatait. Az IDARA keretében a klasszikus MSZR adatsorok kiegészítésre kerülnek a szimulációkhoz szükséges egyéb adatokkal (pl. elaszticitások). Az adatbázis építése során szerzett tapasztalatok és elméleti megalapozás után levont következtetések alapján dől el, hogy az adatbázis SPEL, CAPRI, vagy mindkét módszer szerint feldolgozásra kerülhet-e. Az első tervek szerint a tovább-feldolgozásban a SPEL MFSS 99 modell kerül bevonásra.A projekt célja tehát az eddigi adatgyűjtés és elemzési demonstrációk után valódi rövid- és középtávú szimulációk készítése magyar, cseh és lengyel adatokra alapozva a terület- és vidékfejlesztés lehetséges stratégiáinak és összefüggésrendszerének feltárása érdekében.

MFSS-1999:Az IDARA projektben kellő mennyiségű tapasztalat felhalmozása után a SPEL MFSS 99 modell külön dokumentum formájában kerül bemutatásra. Német és angol nyelvű leírások az IAP honlapján találhatók.

30.5.4. OPAL

Az EUROSTAT megbízásából folyó adatgyűjtés – hasonlóan a PIT-hez – a tagjelölt országok új módszertan szerinti MSZR elszámolását támogatja. A módszertan a bonni ASA konzultánsai közvetítik Magyarország felé. A rendszer eredményeként előreláthatólag 1997-től kezdődően állnak rendelkezésre a magyar mezőgazdaság legfontosabb mutatói. Az OPAL adatai egy az egyben átvételre kerülnek az IDARA adatbázisba.

30.5.5. PHARE projektek

A PHARE támogatások keretében az agrárpolitikai tanácsadást támogató szakértői munkák több hullámban, alapvetően német és holland konzultánsok támogatásával foly(n/t)ak. Jelenleg a PHARE 99-es projektcsomag jelentős forrásokat irányoz elő pl. a KSH adatfeldolgozásának és publikálásának támogatására.

30.5.6. TEIR

A nemzetközi támogatottságú projektekkel párhuzamosan Magyarországon saját fejlesztésben folyik a Területi Információs Rendszer (http://vati2.ktm.hu/) országos és megyei kialakítása, mely lényegében egy zárt (felhasználói körében jelenleg törvényileg korlátozott) szolgáltatás, kevés nyilvános kínálattal. A TEIR felhasználására az egyetem hallgatói a demo hozzáférési jogosultságok hiányában nem képezhetők ki. A helyzet oktatási szempontból hasonló a KSH STADAT rendszerénél is.

30.5.7. MIVIR

A magyar agrárinformációs rendszer továbbfejlesztésének koncepciója a párhuzamosan folyó EU projektek magyar adaptációját jelentené. A könyv megjelenéséig még nem született konkrét döntés a projekt megindításáról.

30.5.8. IKTABU, HUN-TER

Az OMFB 2. IKTA pályázatának keretében támogatást nyert koncepció (IKTABU) a MIVIR prototípusának tekinthető. További – nem kormányzati - források bevonása a rendszer térinformatikai alapokra helyezésével képzelhető el (HUN-TER).

229