2.1.3. Прагматизм и метод интерпретаций

Феномен бенчмаркинга развивался в процессе деятельности и для деятельности, как это происходит в рамках прагматизма. В бенчмаркинге реализуется прагматичный, позитивистский подход в познании, поэтому для философского определения бенчмаркинга принципиальное значение имеют те области философии науки, которые ориентированы на деятельностный подход к анализу природы научного знания.

Эпистемологические предположения исследования, основаны кроме синергетики также и на прагматизме, который стремится осознать реальность через действие. Когнитивные стратегии синергетики во многом близки к современной, “постмодернистской” версии прагматизма. Например, синергетика в образе лазера естественно осмысливается в духе инструментализма и неопрагматизма.⁶⁴

Знание в прагматизме носит ситуационный и контекстуальный характер, также как и в методе интерпретаций. Интерактивный и диалектичный процесс научной концептуализации и практического применения в рамках прагматизма сначала отталкивается от определения и контекста явления в целях теоретического осмысления, а затем в результате углубленного понимания феномена приводит к лучшему практическому использованию.

Прагматизм облегчает экспликацию природы действий, составляющих процесс. В то же время метод эвристически-дескриптивной интерпретации позволяет понять концепцию и её основные определения для последующей реинтерпретации совокупности значений.

Интерпретационная методология стремится обозначить значения, содержащиеся в концепции и её определениях, для последующего углубления в понимании концепции и экспликации концептуального базиса бенчмаркинга для дальнейшего изучения.

2.1.4. Нейросетевое моделирование

Сегодня в экономическую науку всё увереннее входят инструменты современного математического анализа, которые успешно позволяют решать проблемы нелинейного, фрактального, синергетического развития социально-экономической системы. Освоение этих инструментов является насущной задачей экономической науки. Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. В частности, нейронные сети нелинейны по своей природе.

Типичный пример сети с обратным распределением показан на рисунке 2.1. Количество элементов, структура сети и значения весовых коэффициентов (w_ij) задаются интуитивно и несколько произвольно на основе общих предположений о проблеме. При работе сети во входные элементы (i=1,m) подаются значения входных переменных (x_i), затем каждый из элементов следующего слоя (j=1,n) вычисляет свое значение активации (на входе) (net_j), беря взвешенную сумму выходов элементов предыдущего слоя, умноженных на весовые коэффциенты, и прибавляя пороговое значение (w₀+∑x_iw_ij). Затем значение активации (вход элемента) преобразуются с помощью функции активации (f(net_j)), и в результате получается выход элемента сети (часто по формуле 1/(1+exp(-net))). После того, как сеть просчитает значения от начала до конца, выходные значения элементов выходного слоя принимаются за выход всей сети в целом.

Нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами. Зависимость между входом и выходом находится в процессе обучения сети с помощью набора обучающих данных, представляющих собой примеры входных данных и соответствующих им выходов. Сеть учится устанавливать связь между первыми и вторыми.

Если сеть обучена хорошо, она приобретает способность моделировать функцию, связывающую значения входных и выходных переменных, и впоследствии такую сеть можно использовать для прогнозирования в ситуации, когда выходные значения неизвестны. Нейросеть способна обучаться решению задач, для которых у человека не существует теоретически обоснованных или более-менее правдоподобных и работающих с приемлемой точностью экспертных алгоритмов. ⁶⁵

Круг задач, решаемых нейросетями, преимущественно совпадает с задачами, для решения которых используются статистические методы. По сравнению с линейными статистическими моделями (линейная регрессия, авторегрессия, линейная разделяющая поверхность), нейросети позволяют эффективно строить нелинейные зависимости. Из нелинейных моделей классической статистики известен, пожалуй, только байесовский классификатор, строящий квадратичную разделяющую поверхность, − нейросети позволяют строить разделяющие поверхности более высокого порядка.

При высокой стоимости экспериментальных данных, или невозможности получения достаточного их количества (как, например, в условиях конкурентного бенчмаркинга в агрессивной гиперконкурентной среде), высокой зашумленности, неполноте и противоречивости, нейронные модели оказываются более предпочтительными.⁶⁶

Нейронные сети в сложных ситуациях обладают огромным преимуществом. Они не требуют формализации задачи и позволяют адаптировать свойства нейросетевой модели к задачам теоретически неограниченной размерности и сложности. Единственным требованием является возможность описания моделируемого явления непрерывными функциями. Скорость создания нейросетей существенно выше, чем моделей, создаваемых традиционными методами, а трудоемкость разработки ниже.⁶⁷

Нейросетевое моделирование имеет много общего с общей теорией систем и синергетикой, а в экономическом приложении – с бенчмаркингом. Нейросетевой подход как синергетика и бенчмаркинг опирается на отыскание закономерностей на основе аналогий при протекании процессов в системах с самой разной природой. Если синергетика – это методология отыскания изоморфных законов в самых различных (более того - во всех) отраслях знания, бенчмаркинг – методология творческого поиска, анализа и адаптации инновационного опыта и лучших практик в экономике, то нейросетевой подход – это современный математический метод, обеспечивающий решение прикладных задач бенчмаркинга, осмысленных в рамках синергетической парадигмы.

Бенчмаркинг является естественной предпосылкой для нейросетей. Нейросети обучаются на примерах и образцах, поэтому для них абсолютно необходимы базы, содержащие примеры тех систем, модели которых нужно моделировать. Чем больше примеров, чем они точнее и содержательней, тем легче и быстрее построить формальную нейросетевую зависимость. Бенчмаркинг и нейросетевые модели демонстрируют неразрывное взаимодополняющее и взаимоусиливающее единство современной экономической постановки задачи и адекватной математической формализации.