5.4Задание 4 – Разрешимость и проблеморазрешающая часть
Проблема сложности анализа синергетических эффектов составов является принципиально разрешимой, так как их [синергетические эффекты] можно изучать, собирая новые и систематизируя уже имеющиеся данные; также развиваются методы машинного обучения и искусственных нейронных сетей.
Проблеморазрешающей частью системы является «применение методов машинного обучения», так как именно они могут обеспечить эффективную информационную поддержку процедурам анализа синергетических эффектов (в отличие от физико-математических моделей, методы машинного обучения лучше работают с нелинейными зависимостями и многокомпонентными системами), поэтому в ней [части] будет находится проблеморазрешающий элемент системы.
5.5Задание 5 – Классификация системы
Проведем классификацию системы по следующим видам:
по субстанциональному признаку – идеальная (концептуальная): так как в основе моделей прогнозирования лежат математические, статистические и вероятностные методы – объекты идеального мира;
по цели системы – созидательная: нужна для решения медицинских задач;
по степени взаимодействия с внешней средой – открытая:
с одной стороны, система имеет существенные, но не управляющие воздействия со стороны внешней среды [5.3],
с другой стороны, сама оказывает такие воздействия: эффективное прогнозирование свойств сократит издержки медицинской промышленности, что может привести к снижению стоимости протезов, а затем к улучшению качества жизни;
по признаку управляемости – управляющая: цель системы – быстрый и точный прогноз свойств медицинских композиционных материалов, то есть предварительное получение состава с необходимыми свойствами, которые нужно проверить экспериментальным путем, следовательно, объект управления – проведение физических исследований – находится во внешней среде.
6Практическая работа 5
6.1Задание 1 – Закон системности
6.1.1«Взгляд вниз»
Для формирования ответим на вопрос «какова структура системы?»: система состоит из двух основных частей: «применение физико-математических моделей» и «применение методов машинного обучения» (рисунок 4.2). Теперь определим причину возникновения (её носителя): несовершенство методов прогнозирования, которые не в полной мере учитывают синергетические эффекты составов: базовые методы машинного обучения не могут точно восстановить сложную нелинейную связь «состав – свойство» и склонны к переобучению, а физико-математические модели ограничены для многокомпонентных систем.
6.1.2«Взгляд вверх»
Теперь дадим ответ на системный вопрос «для кого нужна рассматриваемая система: в рамках какой надсистемы будет востребована рассматриваемая (кто пользователь системы)?»: рассматриваемая система «прогнозирования свойств медицинских композиционных материалов» является частью надсистемы «функционирование медицинской промышленности», издержки которой необходимо сократить.
6.2Задание 2 – Закон полиморфизации
Сформируем «взгляд по горизонтали»: рассмотрим систему, которая также направлена на решение задачи «состав – свойство» и является идеальной (по субстанциональному признаку), созидательной (по цели системы), открытой (по степени взаимодействия с внешней средой) и управляющей (по признаку управляемости). Такой системой является, например, «прогнозирование свойств оксидных стекол» [1], которая имеет схожую структуру с рассматриваемой (рисунок 6.1), но отличается типом материала, что влияет на подготовку данных и требования к моделям.
Рисунок Error: Reference source not found.1 – Закон полиморфизации
Другие системы «по горизонтали»:
конкуренты: прочие системы прогнозирования свойств медицинских материалов;
смежные:
научно-исследовательские лаборатории – поставщики данных,
производители протезов – потребители;
партнёры: институты и лаборатории, исследующие и разрабатывающие методы прогнозирования.
7Вывод
В ходе практических работ мы провели системный анализ.