Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Методология и практика планирования эксперимента в России. Монография
.pdf
17. Льюс Р. Д., Райфа Х. Игры и решения. Введение и критиче-
ский обзор / Пер. с англ. И. В. Соловьева под ред. Д. Б. Юдина с предисл. А. А. Ляпунова. М.: Изд-во иностр. лит., 1961. 642 с.
18. Statistical Communication / Ed. by R. C. Milton, J. A. Nedler.
N.Y.; L., 1969. 462 p.
19. Efroymson M.A. Multiple Regression Analysis. In the book: Edi-
tors Mathematical Methods for Digital Computers. A. Ralston, H. S. Wilf.
N. Y.: J. Wiley, 1962.
20. Эфрон Б. Нетрадиционные методы многомерного статистиче-
ского анализа: Сб. статей
/ Пер. с англ. под ред. Ю. П. Адлера. М.:
Финансы и статистика, 1988. 263 c.
21. Клейнен Дж. Статистические методы имитационного модели-
рования / Пер. с англ. под ред. Ю. П. Адлера, В. Н. Варыгина. М.:
Статистика, 1978. вып. 1. 221 с.; Вып. 2. 335 с.
22. Fisher R. A. The Design of Experiments. Edinburgh; L.: Oliver and
Boyd, 1937. 260 p.
23. Орлов А. И. Нечисловая статистика. М.: МЗ-Пресс, 2004.
24. Клайн М
. Математика. Утрата определенности / Пер. с англ.
Ю. А. Данилова под ред. И. М. Яглома. М.: Мир, 1984. 434 с.
25. Лебег А. Об измерении величин / Пер. с франц. под ред. И. М.
Яглома с предисл. А. Н. Колмогорова. М.: Учпедгиз, 1960. 2-е изд.
204 с.
26. Поппер К. Логика и рост научного знания.
Избранные работы /
Пер. с англ. под ред. В. Н. Садовского. М.: Прогресс, 1983. 606 с.
27. Колмогоров А. Н. Основные понятия теории вероятностей.
Изд. 2-е. М.: Наука, 1974. 120 с.
28. Improving Performance Through Statistical Thinking / G. C. Britz,
D. W.Emerling, L. B. Hare а.о. Milwaukee, Wisconsin: ASQ Press, 2000.
171 p.
29. Deming W. E. Distinction between Enumerative and Analytic Studies. In the book by Deming «Some Theory of Sampling». N.Y.: John
Wiley & Sons, Inc., 1950, P. 247–261.
30. Нив Г. Организация как система: Принципы построения
устойчивого бизнеса Эдвардса Деминга / Пер. с англ. под науч. ред.
Ю.
Адлера, Ю. Рубаника, В. Шпера. М.: Альпина Бизнес Букс, 2007.
С. 116–123.
31. Bridgeman P. The Logic of Modern Physics. N.Y.: MacMillan,
1927.
141
32. Ott E. R., Schilling E. G., Neubauer D. V. Process Quality Control.
3d Ed. N.Y.: McGraw-Hill, 2000. 597 p.
33. Каору Исикава. Японские методы управления качеством.
М.: Экономика, 1988.
34. Куме Х. Статистические методы повышения качества / Пер.
с англ. и доп. Ю. П. Адлера, Л. А. Коноревой. М.: Финансы и статистика, 1990. 304 с.
35. Lewis C. I. An analysis of Knowledge and Valuation. N.Y.: The
Open Court Publ. Co, 1945.
36. Taguchi G., Chowdhury S., Wu Y. Taguchi’s Quality Engineering.
Handbook. Hoboken, New Jersey: John Wiley & Sons, Inc., 2005. 1662 p.
37. Box G., Bisgaard S., Fung C. An Explanation and Critique of
Taguchi’s Contributions to Quality Engineering. Report # 28. Center of
Quality and Productivity Improvement. Madison: University of Wisconsin, 1988. 25 p.
38. Tukey J. The Future of Data Analysis // Annals of Mathematical
Statistics. 1962. V. 33. # 1. P. 1–67.
39. Мостеллер Ф., Тьюки Дж.
Анализ данных и регрессия / Пер.
с англ. под ред. и с предисл. Ю. П. Адлера. М.: Финансы и статистика, 1982. Т. 1. 239 с.; Т. 2. 317 с.
40. Тьюки Дж. Анализ результатов наблюдений. Разведочный
анализ / Пер. с англ. под ред. В. Ф. Писаренко. М.: Мир, 1981. 693 с.
41. Data Mining with Confidence. Chikago: SPSS Press, 1999. 234 p.
42. Ватсон Г. Методология «Шесть Сигм» для лидеров
, или как до-
стичь 3,4 дефекта на миллион возможностей / Пер. с англ. под науч.
ред. Ю. П. Адлера. М.: РИА «Стандарты и качество», 2006. 224 с.
43. Налимов В. В. Вероятностная модель языка. О соотношении есте-
ственных и искусственных языков. М.: Наука, 1979. 2-е изд. 303 c.
44. Налимов В. В., Дрогалина Ж. А. Реальность нереального.
Вероят-
ностная модель бессознательного. М.: Изд-во «Мир идей», 1995. 432 с.
45. The Grammar of Technology Development / Ed. H. Tsubaki, K.
Nishina, S. Yamada. Tokyo: Springer, 2008. 221 p.
46. Талеб Н. М. Черный лебедь. Под знаком непредсказуемости.
М.: КоЛибри, 2010. 528 с.
47. Талеб H. М. Антихрупкость. Как извлечь выгоду из хаоса
М.: КоЛибри, 2014. 768 с.
48. Пронников В. А. Икэбана, или Вселенная, запечатленная в
цветке. М.: Наука, 1985.
142
4.2. Парадигмы сменяют друг друга: что делать?
Единственный практический
вопрос: что делать дальше?
Физики шутят
В работе [1] мы рассмотрели некоторые перемены, которых можно ожидать в статистике и ее приложениях. Конечно, смена парадигм
в статистике – это не изолированное явление. Она сопряжена с глобальными переменами, которые сначала проявились в промышленности, когда произошел переход от массового производства к производству под заказ. Легко предсказать, что аналогичная
наблюдаться и в других областях человеческой деятельности, поскольку уже ясно, что мы имеем дело c полномасштабной научнотехнической революцией. (Иногда ее называют третьей промышленной революцией [2].) Все это ставит перед нами целый ряд важных
вопросов. Все они, в конечном счете, сводятся к вопросу о том, что
мы должны
делать в свете новых реалий, которые уже наступили,
или, несомненно, наступят в ближайшее время. В этой работе мы
ограничимся только статистическими последствиями.
В работе [1] мы выделили 13 дихотомий, показывающих, как мы
думаем, важные отличия между парадигмами. Давайте попробуем
рассмотреть перемены, обусловленные этими дихотомиями.
1. Вероятностный мир вместо детерминированного. Конечно,
мир сам по
себе не изменился, изменилось только наше представление о том, как он устроен, и это изменение радикально. В детерминированном мире статистика служит вспомогательным средством,
предназначенным для оценивания элементов неопределенности, связанных с ограниченностью объема эксперимента или наблюдений, и
с метрологическими свойствами систем измерения. Если же исходить из того,
что сам мир вероятностен, то роль статистики радикально меняется. Прежде всего резко снижается наша вера в возможности детерминированных моделей. В жизни очень редко есть серьезные основания в них верить. А если мы отказываемся от таких моделей, то что же остается? Нам кажется, что можно попытаться
обобщить подход
, который называется моделью «черного ящика» и
связывается с именем Норберта Винера [3]. Действительно, легко
себе представить, что интенсивность «цвета» ящика может зависеть
от уровня априорной информации об изучаемом объекте. Так, «белый ящик» – это естественная модель детерминированной системы,
картина будет
143
которая известна нам «абсолютно», т.е. доведена до логического
предела. Объекту, о котором мы знаем меньше, должен соответствовать более «серый» ящик. И чем меньше мы знаем, тем более «серым» получается ящик, пока, наконец, он не станет «черным». На
первом шаге этого процесса возникнет «лапласовская» модель, в которой мы
знаем все, кроме ошибок измерения. Уже на следующем
шаге мы начинаем сомневаться в структуре модели, например, если
раньше мы «точно» знали, что модель линейна по переменным (факторам), то теперь мы допускаем мысль о том, что это может быть и
полином второго порядка. Далее возникает ситуация, когда мы можем
осознанно говорить лишь о классе моделей. Например, при изучении химических реакций мы, с легкой руки Сванте Аррениуса, используем экспоненциальные модели. Конечно, нас никто не заставляет так поступать, но выбор именно такого класса моделей обеспечивает нас развитым языком теории химической кинетики, а это –
большое подспорье. И только когда
у нас нет никаких идей, не оста-
ется ничего, кроме «черного» ящика.
Таким образом, можно рассматривать науку как поставщика
априорных моделей. Интересно, что, несмотря на многовековое развитие наук, в реальной практике возможности воспользоваться такого рода знаниями предоставляются крайне редко. Поэтому в иерархии: «белый» – «серые» – «черный» ящики абсолютное
преобладание на стороне последнего. Наш мир полон неопределенностей и,
решая конкретные задачи, мы вынуждены преодолевать их. Такая
несостыковка, возможно, связана с тем, что классические исследования всегда стремились к «чистоте». Они старались очиститься от
всех «мешающих» обстоятельств, чтобы увидеть изучаемый объект
во всем блеске, без всяких примесей. В реальных прикладных
исследованиях все совсем не так. Реальность смешивает «чистые» представления в непредсказуемый конгломерат. Здесь как раз «ящики»
как нельзя более кстати. Понятно, что сама возможность построения
тех или иных «ящиков» опирается на некоторые научные принципы.
Такие, например, как второй закон термодинамики или законы сохранения. К этому моменту мы
еще вернемся.
Модели такого рода естественно называть кибернетическими. Хотя, по не ясным для нас причинам, интерес к кибернетике явно снижается, эти модели играют в наших представлениях о будущей парадигме важную роль. Ключевой тезис кибернетики, о том, что «опти-
144
мальное управление сложными системами возможно при неполном
знании их механизмов», сыграл огромную роль, открыв дорогу эре
компьютеров и систем коммуникаций. Не грех им поработать и в новой парадигме.
Заманчиво воспользоваться моделями «ящиков» как инструментом стандартизации и унификации объектов научных исследований.
Может быть, это не совсем подходит для поисковых исследований
типа «пойди туда, не знаю куда, найди то, не знаю что». Но для прикладных исследований это не просто важно – это путь к эффективной
организации научных исследований сложных реальных систем, а
только такие системы на самом деле интересны. Важно отметить, что
такая стандартизация и унификация совершенно не ограничивают
исследователя. Они
лишь предлагают выяснить, каким образом можно воздействовать на изучаемый объект, т.е. от каких факторов зависит его поведение и получаемые результаты, и что надо измерить на
выходе, чтобы ответить на интересующие исследователя вопросы.
Воздействия на черный ящик принято называть «входами», а измеряемые результаты его поведения – выходами. Связь между
входами и
выходами, форма которой заранее известна или служит одной из
наших целей, называется «моделью объекта». Смысл исследования
заключается в том, чтобы получить некоторое представление об этой
модели, используя для этого все подручные средства: наблюдение,
эксперимент, имитационное моделирование или экспертные суждения. Не забывая при этом о теориях, если, конечно,
они существуют,
и пытаясь вписаться в бюджеты времени и ресурсов.
Исследование вероятностного мира – задача более трудная, чем
познание детерминированного. Она требует более тщательного
предварительного обдумывания. Но и плоды при удаче оказываются
более «сладкими», как, например, при создании квантовой механики.
2. Вместо отдельных наук – междисциплинарные конгломераты.
(новый облик науки). Перекраивание науки –
не новое занятие. Предметы, которые изучали студенты в Париже или в Праге в XIII в.,
трудно отыскать в современных учебных планах вузов. Видимо,
можно утверждать, что каждая научно-техническая революция неизбежно ведет к пересмотру содержания и методов обучения от детского сада – до высшей школы. Популярная мысль о том, что
науки
делятся так, как структурированы факультеты в университете, при
ближайшем рассмотрении ничего кроме недоумения вызвать не мо-
145
жет. На каком факультете надо преподавать, скажем, «физическую
химию»? А «химическую физику»? Это примеры адаптационных
процессов внутри самой науки. В прикладных исследованиях разнообразие вариантов резко возрастает.
В инженерных методах исследования и создания сложных систем
уже давно ни у кого не вызывает сомнений мысль о том, что такие
задачи по плечу
только командам, составленным из представителей
самых разных специальностей. Никому не приходит в голову поручить создание космической станции, например, только физикам.
Всем ясно, что им не решить такую задачу в одиночку. Конечно, и
без них у создателей сложных систем могут возникнуть большие
трудности. Что же получается? С одной стороны, нам
надо готовить,
скажем, физиков, а с другой стороны, таких физиков, которые способны эффективно работать в командах разного состава. Главное
условие для этого – эффективные коммуникации. Для их обеспечения важно наряду с профессией обучать каждого студента тем предметам, которые способны поддерживать коммуникацию. Что же это
за предметы? Вот их список
в первом приближении: логика и методология исследований и разработок, теория систем, проектирование
систем, процессы и технологии, сбор и анализ данных, статистика,
теория принятия решений, конструирование, взаимодействие с компьютером, преобразования систем, командообразование, теория эксперимента, теория знаний, прикладная психология. Список открыт
для пополнения. Похоже, что на профессию остается не
более поло-
вины общего времени обучения.
Более того, само обучение профессии во многих случаях должно
радикально измениться. Дело в том, что классическое обучение профессии обрекает студента на значительное отставание во времени от
текущего положения дел. Такой лаг имеет чисто технологическую
причину, и совершенно не ясно, как можно его сократить в
традиционной схеме обучения. От момента, когда в вашей профессии сделано важное открытие, до момента, когда его изложение войдет в стандартный учебный курс, пройдут годы. Они уйдут на публикацию,
прочтение, изучение, осознание, подготовку учителей и на неизбежные бюрократические процедуры. Выход видится в том, чтобы обучал не
профессиональный педагог, а «профессиональный профессионал», который сам по себе в курсе всех текущих событий и готов
сообщить о них студентам без всяких проволочек. Но такой подход
146
порождает некоторые проблемы. Все-таки этот человек должен
иметь хотя бы какие-нибудь педагогические навыки. Иногда у специалиста это врожденное – тогда все в порядке. Но нередко исследователь не склонен к обучению, считает это потерей бесценного времени. Значит, среди специалистов надо как-то выявлять желающих и
готовых обучать и
обучаться. Тогда их можно попробовать обучить
основам педагогики. Но есть и другие проблемы. Будет трудно заранее составить расписание и определить число часов на каждую тему,
поскольку даже список тем формируется по ходу дела. Бюрократы
этого очень не любят.
Конечно, ничто не мешает проведению «мононаучных» исследо-
ваний, т.е. исследований
в рамках одной науки. Но доля таких исследований, видимо, будет снижаться из-за естественных ресурсных
ограничений. Уже и в прошлом лишь небольшое число стран могли
себе позволить исследования по всему спектру современных наук.
Грань здесь весьма тонкая. Кто мог знать, что, например, теоретические исследования Максвелла приведут к созданию электричества
и
с лихвой окупят все затраты на научные исследования на несколько
веков вперед. То, что сегодня кажется второстепенным, скучным,
неинтересным, завтра может оказаться в самом центре научных исследований. Примером может служить прикладная статистика. Междисциплинарные исследования важны, продуктивны и вселяют
надежды. Мы не против. Но говорим мы о другом,
о взаимном погружении, о растворении наук друг в друге. Много лет назад один из
авторов (Ю. А.) начинал читать курс «Планирование экспериментов»
на технологическом факультете Московского института цветных металлов и золота. Студенты неплохо воспринимали этот курс, но
вслед за ним в расписании была лекция академика А. А. Бочвара
по
металловедению. Автор курса и сам всего пару лет назад слушал его
лекции и понимал, насколько глубоко он знает свой предмет. И
насколько он важен для студентов, поскольку металловедение – их
будущая профессия, или ее существенная часть. А то, что им рассказывал Адлер, может быть, и было интересно, но никак не
лежало на
магистральном пути к овладению профессией. И тогда, и сейчас нам
понятно, что металловедение не может выйти на новый уровень понимания своих проблем и не может стать более полезным в приложениях, пока оно не сольется с планированием эксперимента в единую неразрывную систему. Планирование должно стать органичной
147
частью металловедения. Металловедение должно ставить задачи,
анализировать результаты и принимать решения на языке планирования экспериментов и никак иначе.
Почему мы так думаем? И верно ли это для других наук? Потому
что, насколько мы знаем, пока нет более простого, дешевого и эффективного способа регулярного решения металловедческих задач. И
это,
думаю, верно для любой науки, имеющей так или иначе дело с
экспериментом. Такое заключение не кажется очевидным только потому, что время от времени на земле рождаются люди, способные
получать выдающиеся результаты, даже вообще не зная о возможностях планирования эксперимента. А. А. Бочвар – один из примеров
такого рода.
Было бы
наивно думать, что для успехов металловедения достаточно только планирования экспериментов. Успехи физики металлов, в рамках которой зарождалась в то время теория дислокаций,
сыграли не менее важную роль. Точнее говоря, мы в сущности не
знаем, как соизмерить роль и важность теоретических и эмпирических компонентов. Важен именно сплав. И
здесь упомянуты только
два из многих компонентов, определяющих его свойства.
Можно предположить, что структура образования будет следовать
логике разработки, производства и использования продукции и услуг
без акцента на конкретный вид продукта или услуги. Например, разработка новой продукции (неважно, автомобиль это или торт), проектирование и конструирование, технология и организация произ
водства, собственно производство, ремонт и обслуживание, утилизация. Технология производства сплавов ничем существенно не отличается от производства строительных материалов, лекарств или борщей. Людям, получившим такую подготовку, будет проще входить в
команды, к какой бы из традиционных областей народного хозяйства
они не относились. Впрочем, и структура самих отраслей тоже
претерпит существенные перемены. Рисуется примерно такая картина.
Появился заказчик, которому нужен, скажем, парадный костюм. В
традиционной схеме у него есть два пути: либо пойти в магазин и
попытаться купить подходящий костюм, либо пойти в ателье и заказать себе костюм с учетом всех требований. Но современный потребитель начинает рассуждать
иначе. Он хотел бы, чтобы нашлась какая-то структура, которая взяла бы на себя все заботы о его одежде,
причем, не только в данный момент, а на постоянной основе, с уче-
-
148
том смены моды и перемен в его служебном положении и судьбе.
Все это нужно, конечно, точно вовремя и при разумных и допустимых затратах. Посмотрите, здесь уже нет торговли – универмага, где
можно купить костюм, ателье стало частью внутренней структуры
временного конгломерата нацеленного на этого клиента. Все то же
самое можно сказать
о компьютерных системах, об автомобилях, о
квартирах и т. п. Важно, чтобы компании или иные конгломераты,
были способны легко входить во временные взаимодействия с любыми другими структурами, получая информацию из интернета. В
этих сложных взаимодействиях важно сохранить и качество продукции и услуг, и эффективность менеджмента, и принципы непрерывного совершенствования, включая идеи управления знаниями. Такой
подход получил развитие в последние десятилетия. Его называют
agile manufacturing («живучее производство»). Этот русский термин
предложен нами.
Есть и еще один камень преткновения – это терминология.
Внешне безобидная, она таит в себе массу угроз, причем многие из
них реализуются. Иногда в шутку говорят, что терминологическая
система –
это защита науки от профанов. Может быть и так, но при
стремлении к интеграции наук она становится барьером на пути к
сближению. Вместе с тем единство терминологии помогает взаимопониманию и снижает риски ошибок. Вот, например, в прикладной
статистике очень давно существует термин «ошибка». В родственной
метрологии, например, то, что статистики
называют ошибкой, метрологи называют погрешностью. То, что это неудобно и опасно, у
нас не вызывает сомнений, но компромисс, как мы убедились, невозможен. И что главнее: статистика или метрология? Тем более, что
они тесно переплетаются.
Это «мягкий» пример. Гораздо опаснее «монстры», рождающиеся
из неправильно понятых, ложно истолкованных терминов в
разных
областях. Механизм очень прост. Если что-то известное назвать другим именем, слегка модернизировать и применить в новой области,
то понадобится много времени, чтобы в этом разобраться. А когда
мы говорим о командах, совместно решающих конкретные задачи,
терминология становится условием взаимодействия. Важно попытаться разработать общенаучную «нейтральную» терминологию,
прежде всего
– в высшей школе. Как иначе работать вместе?
149
У науки две ключевые задачи: познание мира и поддержание
народного хозяйства. И если структура народного хозяйства радикально меняется, то у науки нет иного выбора, кроме как тоже измениться. Отсюда с неизбежностью следует, что должна измениться и
система образования. Это и есть черты новой парадигмы. Все это
еще в прошлом
веке понимал В. В. Налимов [4].
3. Вместо специализированных теоретических моделей – модели
типа «черного ящика» с большим числом факторов и со сверткой
многомерных откликов. Чем сложнее становятся изучаемые системы,
тем меньше пользы от теоретических моделей. Правда, некоторые
теоретические модели сохраняют полезность во всех случаях. Закон
всемирного тяготения или второй закон термодинамики,
как мы полагаем, действуют всегда, и мы об этом уже говорили. Ф. Франк
называл законы такого рода «интеллигибельными» принципами [5],
т.е. чем-то таким, что, хотя и соотносится с чем-то эмпирическим,
тем не менее не зависит от опыта. Практически это значит, что если
вы столкнетесь с эмпирическим материалом, который
противоречит
такому принципу, то вы будете искать проблему не в принципе, а в
эмпирических данных. Правда, иногда приходят Эйнштейны… Чем
же нам может помочь «черный ящик»?
Прежде всего, он не связывает переменные (факторы), способные
влиять на наш объект, с теоретическими моделями. Факторы можно
выбирать свободно. При ближайшем рассмотрении выбор факторов
оказывается непростой задачей. Сколько их может быть? На этот вопрос нет ответа. Причин – несколько. Вполне возможно, что существуют факторы, которые сильно влияют, но о которых мы не подозреваем. Нужны эксперты, способные понимать, что может оказаться
важным для данного объекта. Если же мы хотим отыскать важные,
неожиданные редкие факторы
на регулярной основе, то придется
иметь дело с очень большим числом факторов. Для имитационного
машинного эксперимента это не преграда, но для реального физического эксперимента это часто оказывается за пределами ресурсных и
временных ограничений. Число 500 вряд ли можно считать приемлемым на практике. А именно примерно такое число факторов получается в результате тщательного отбора обычно с помощью диаграммы Исикава («рыбий скелет») и различных модификаций механизма коллективных поисков важных решений.
150
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]