Логин:
Пароль:
Регистрация · Восстановление пароля

18 февраля 2016

Александр Бухановский

Выступление на тему «Предсказательное моделирование сложных систем: понимание явлений реального мира сквозь призму суперкомпьютерных технологий» Александра Бухановского, доктора технических наук, заведующего Кафедрой высокопроизводительных вычислений Университета ИТМО.

организаторы

Интеллектуальный партнер: РВК. Услуги хостинга и дата-центра для хранения контента предоставляет компания Oyster Telecom; сервис-партнеры: Euromed GroupShishki Design. Видеосъемка, монтаж и фото – Алексей Гантимуров.

В мероприятии приняли участие: Дмитрий Бабушкин, начальник Отдела инвестиционного моделирования ИК «Элтра»; Петр Бобровский, вице-президент Национального тарного союза; Андрей Вейхер, кандидат экономических наук, профессор и заведующий Кафедрой методов и технологий социологических исследований Санкт-Петербургского филиала НИУ ВШЭ; Диана Вест, доктор истории и теории архитектуры (Ph.D., Принстон), заместитель директора по проектам Центра исследований науки и технологий ЕУСПб; Игорь Кривошеев, директор по строительству СП ЗАО «Петр Великий»; Владимир Линов, член Градостроительного совета при главном архитекторе Санкт-Петербурга, главный архитектор бюро «Студия-17», почетный архитектор России, доцент СПбГАСУ; Елена Ногова, кандидат технических наук, заместитель генерального директора ООО «Санкт-Петербургский институт транспортых систем», доцент СПбГАСУ; Виктор Тамберг, управляющий партнер консультационного бюро «Тамберг и Бадьин»; Григорий Тульчинский, доктор философских наук, профессор Санкт-Петербургского филиала НИУ ВШЭ; Леонид Ханик, управляющий партнер компании Concept Group; Данияр Юсупов, архитектор, урбанист, сооснователь творческой группы урбанистов ulab.spb, преподаватель СПбГАСУ и другие.

видеозапись выступления

текст выступления

Александр Бухановский: Я руковожу НИИ наукоемких компьютерных технологий – это научно-исследовательская структура в составе Университета ИТМО. Мы занимаемся задачами, связанными с ресурсоемким моделированием «под ключ», то есть от разработки постановки задачи с предметниками – до выдачи готового продукта и его внедрения в различных предметных областях: от нефтянки, гидрометеорологии, нанотехнологии до социальной сферы и медицины.

Сегодня я очень хотел бы рассказать о том, что «болит», а именно – о методах получения новых знаний в разных предметных областях, которые, наверное, могли бы быть полезны уважаемым коллегам тоже. Я сразу хочу сказать, что ни одной формулы и даже ни одного страшного графика у меня не будет. Коллеги, если вопросы появляются, давайте задавать их по ходу, потому что некоторые вещи просто забываются.

Если мы замахиваемся на проблему предсказательного моделирования сложных систем в целом – не города, не техники, а сложных систем, то в чем специфика? Если бы я сказал, что системы у нас не сложные, а простые, наверное, вы не стали бы меня слушать. И грантов мне бы не дали за «очень простое решение простых задач – описание простых систем». Сейчас понятием «сложная система» пользуются все, кому ни лень, просто для обозначения своей значимости. Это не всегда так, потому что в современной науке слово «сложность» (complexity) уже зарезервировано и четко определяет класс систем, в которых очень много элементов, между этими элементами есть множественные связи (по принципу «каждый с каждым»), системы существуют в различных масштабах времени и пространства и в них возможны такие вещи как фазовые переходы [см. презентацию, слайд 2]. Что это такое? Это когда система находится в предкритическом состоянии, где даже малые изменения каких-то ее свойств могут в дальнейшем привести к изменению системы в целом.

Презентация

В настоящее время активно развивается не только эта область. С 2013 года научный мир начал «тихо попискивать» о так называемых глобальных системах как совокупности связанных между собой сложных систем реального мира, которые и описывают сейчас все процессы на земном шаре. Однако это лишь некая декларация. Когда мы применяем эту декларацию на практике, все совершенно не так радужно [слайд 3]. Конечно, хотелось бы мир разобрать по молекулам и, начиная с молекулярного уровня, весь земной шар смоделировать – здорово! В чем беда – почему нельзя? Сложная система в силу своей многомасштабности, большого количества элементов экспериментально практически никогда не наблюдаема целиком, то есть на нее можно смотреть фрагментарно, по частям. Хорошо, скажете вы, нельзя экспериментально смотреть, но давайте мы ее смоделируем. Можно, но сложно. Почему? Многомасштабность значит разные математические модели для разных масштабов. Много элементов – увы, определяет ресурсоемкость расчетов. Да еще и данные большие – не всегда вмещаются в память компьютеров. И самое неприятное, что модель-то мы построить можем, а идентифицировать ее или, проще говоря, настроить, определить коэффициенты по данным, которые соответствуют действительности, тоже сложно. Почему? Смотри пункт 1 – данные фрагментарны, никуда не деться. Вот уже настроение и упало.

Здесь, наверное, единственный настоящий выход – это использование технологий предсказательного компьютерного моделирования, которые позволяют нам, следуя байке о слепых мудрецах и слоне, пусть даже не зная всю систему целиком, на основе фрагментарных представлений о ней строить предсказательную модель и, постепенно улучшая ее (все-таки деревянный слон совсем не интересен), получать что-то похожее на правду [слайд 4]. При этом, тем не менее, вопрос достоверности модели всегда остается открытым. Все-таки одетый слон со шляпой не совсем то, что нарисовано слева.

Если говорить о предсказательном моделировании, то что такое «предсказательное» – почему я выделяю это слово? Готовясь к презентации, я полез в интернет – решил посмотреть, что люди об этом говорят [слайд 5]. Две вещи сразу бросаются в глаза. Первое – это «моделирование судьбы» с помощью карт таро. Я подумал, может быть, это где-то близко, к тому, что вообще делают современные прогнозисты. Иногда результаты моделирования такими и бывают. Другое – это когда говорят о предсказательном моделировании с точки зрения того, что сейчас делают многие статистические пакеты. Есть данные, сделан разведочный анализ – построили какой-то прогноз. Современная наука говорит, что этим все не ограничивается.

Процесс предсказательного моделирования начинается с того, что, действительно, необходимы какие-то данные. Почему? С пустого места строить теоретическую модель можно, но это работает далеко не во всех областях. На этих данных, а также на априорных знаниях предметной области создается компьютерная модель – фактически виртуальный образ реальной системы со всеми интересующими нас связями, закономерностями, соотношениями и иже с ним. Дальше – это очень важный момент – всегда формулируется сценарий «а что, если». Если мы хотим увидеть, как модель ведет себя в такой ситуации, мы должны подать одни данные на вход, а если в другой – другие. Имея исходные данные, настроенную по ним модель и сформулированный сценарий, мы можем делать какие-то расчеты поведения системы в рамках этого сценария и говорить, что мы получаем новое знание. При этом модель сама по себе – это технический инструмент. Исходные данные – это база для ее калибровки и настройки. А сценарий – это то, что находится исключительно в ведении эксперта. Пока эксперт не сказал, что такой сценарий правильный, а такой – нет, верить тому, что считает модель, далеко не всегда можно.

Что может предсказательное моделирование? Самое простое: у нас есть какая-то база экспериментальных данных, какие-то наблюдения, а вот где-то мы наблюдать нашу систему не можем – не поставили приборы, наблюдатель заболел, данные потеряли [слайд 6]. Есть модель – настраиваем ее на тех данных, которые есть, запускаем и восстанавливаем то, чего нет. Хорошо, спокойно, экономически выгодно – иногда реальный эксперимент гораздо дороже. Однако это не все. Такого рода подходы могут использоваться для определения качественных характеристик системы в условиях, когда эксперимент в принципе не поставить. Это, например, ситуация, когда нужно наблюдать географическую точку, которую нельзя достичь, а если можно достичь, то ничего нельзя сделать. Можно наблюдать волнения в середине Тихого океана? Да, можно поставить волномерный буй, но на больших глубинах буй не поставить – его утопит якорная цепь; а вот смоделировать волнение можно. Или такие ситуации, когда есть процесс, о котором никто не знает, которого никто не наблюдает, но по косвенным показателям мы его можем восстановить. Например, число инфицированных, но не заболевших в городе – они сами не знают, что инфицированы, но по тому, сколько заболевших и сколько их будет через какое-то время, можем установить, сколько было носителей инфекции в какой-то момент времени. Предсказательное моделирование используется для восстановления информации о событиях, которые принципиально невозможно наблюдать.

Следующее – это моделирование внешних воздействий на нашу систему с целью выработки наиболее эффективных методов управления, то есть получение не просто результатов о ее состоянии, а тех, которые были бы нам интересны. Причем это можно было бы сделать двояко: пользуясь какими-то внешними параметрами или оптимизируя саму внутренность этой системы через характеристики моделей так, чтобы получить то, что нужно нам. И последнее – это оперативный прогноз состояния системы в будущем. Очень часто огульно говорят, что если есть модель и в нее что-то подставили, посчитали – то сразу получили прогноз. Это не совсем так. Оперативный прогноз учитывает то, что было, рассчитывает то, что будет, при этом формулируется особый сценарий, который говорит, как будут или не будут меняться те или иные параметры в ходе прогноза – экспертный сценарий, без которого у нас ничего не получится. Перейти от уже существующих моделей расчета к моделям прогноза – достаточно тяжело. Иногда на таких «переходах» от моделирования к прогнозированию успешно защищали кандидатские и даже докторские диссертации.

Даже если мы умеем моделировать и что-то предсказывать, зачем это нужно? [слайд 7]. Практически всегда это нужно, чтобы знать то, что никто не знает, чтобы сделать то, что никто не ожидает, и иметь на этом какую-то выгоду для отдельных людей, предприятий и даже государств. Например, стратегия развития суперкомпьютерных технологий Соединенных Штатов на этой логике и основывается, когда в основополагающем документе четко написано, что если у них будет самый большой суперкомпьютер, который будет быстрее всех решать самые сложные задачи, то они будут быстрее всех все знать и принимать правильные решения, чтобы все «танцевали под их дудку». Так достаточно вольно я перелагаю вам официальный документ.

Что позволяет подобного рода моделирование? Готовить информацию, чтобы лицо, принимающее решение, могло на что-то опереться в ответах на вопросы: что происходит в текущий момент, почему это происходит, что будет дальше, как лучше поступить, почему я должен это делать (именно это, а не что-то другое)? Еще важный вопрос: могу ли я этому верить? В подобного рода задачах – я напоминаю наш слайд с деревянным слоном – всегда есть проблема неопределенности: ошибки в исходных данных, неточности в сценарии, абстракция самой модели, которая является лишь частичным отражением реального мира – все это наслаивается друг на друга и рождает то, что называется «прогрессирующей неопределенностью». То, что мы в принципе получаем результат расчета по какой-то модели, мы имеем нашу оценку не точечной (все, завтра будет температура +3,5°), а как у Гидрометцентра: +2°… +4°. Мы всегда имеем интервальные оценки результатов прогноза. Дальше уже игра с интервалами определяет ту долю риска, которую мы закладываем в наше решение. Но это отдельная песня.

Сейчас я бы хотел, отражая специфику того места, где я нахожусь, чуть-чуть сказать об особенностях предсказательного моделирования в науках об обществе и человеке. Если бы вы мне сказали построить такую модель для бассейна с двумя трубами «А» и «Б», как в школьных учебниках, все было бы очень просто, да и то до поры до времени, пока бы эти трубы не заросли водорослями, и там бы все не изменилось.

С социальными системами все не так с самого начала [слайд 8]. Почему? Давление Data-Driven Approach – когда принципы построения модели определяются не из первых физических принципов (например, логики молекулярной динамики), а с точки зрения какого-то эксперимента, который мы пытаемся объяснить часто не физическими моделями, а метафорическими или феноменологическими, потому что причинно-следственные механизмы мы не знаем. Мы считаем, что дети на дороге – это «броуновское движение», так давайте возьмем уравнение Фоккера – Планка – Колмогорова, потому что оно соответствует описанию броуновского движения в физике и будем применять (я утрирую).

Другая проблема – это свобода выбора. Очень часто такие системы являются не детерминированными, то есть мы можем считать и моделировать, но наша интервальная оценка будет очень широкой не из-за того, что мы ошибаемся, а из-за того, что свобода изменения сценария будет очень большой – система будет плохо прогнозироваться.

Следующий пункт – самоорганизация и самомодерация социальных и биологических систем. Мы хотим ими управлять? Мы должны понимать, что как только мы это управление прикладываем, система на нас будет реагировать. Кто-то будет прятаться от наших наблюдений, кто-то будет учиться обходить наше управление. И это, увы, затрудняет возможность оптимизации решений.

Многомасштабность сама по себе – тут никуда не деться. Известны концепции «от молекулы до человека», многомасштабная концепция современных городов – все об этом говорят: одной моделью не обойтись, нужно учитывать связи между уровнями, причем от уровня в доли секунды до десятилетий, иногда даже веков. Урбанисты исследуют развитие европейских городов в течение нескольких сотен лет – пожалуйста, верхний масштаб.

И последнее – топология связей. Иногда даже важны не сами элементы системы, а то, как они между собой взаимодействуют – по принципу, скажи мне, кто твой друг, и я скажу тебе, кто ты, потому что именно связи определяют динамику таких систем.

А теперь, коллеги, я хотел показать несколько примеров, как подобного рода модели строятся и что они позволяют делать, какие задачи решать, кроме того, какие принципы изначально в них закладываются. Самое наглядное – мы говорим о городе, о citizen science с точки зрения мобильности городского населения. Действительно, мобильность является драйвером многих процессов, начиная с транспорта и заканчивая потреблением, городской экологией и иже с ними. Есть такие районы города, где если много народа начнет ходить, то вся природа погибнет – просто все газоны и скверы стопчут.

Можно об этой задаче говорить с точки зрения нашего любимого Петербурга, а мы используем Петербург тоже как лабораторию – мы живем здесь и данные ближе взять здесь, тем более, мы их понимаем и интерпретируем на основе своего жизненного опыта. Основная задача возникает даже не в том, чтобы выяснить, как люди ходят, а сколько их в городе вообще, потому что оценки каждый день могут колебаться от 5 млн до 7 млн. Почему? Притоки и оттоки: кто-то приезжает, кто-то выезжает, кто-то дома остался. Даже если говорить об этой системе, она, действительно, сложная. Почему? От 5 млн до 7 млн – это много, каждый может быть связан с каждым, каждый теоретически может поехать в любое место – у нас свобода передвижения. Многомасштабность тоже есть.

Вот пример такого моделирования на макроуровне [слайд 10]: наш любимый Петербург и на нем – граф муниципальных образований. Все эти «кусочки» – это отдельные муниципальные образования, а связи между ними – это интенсивность перемещения в течение дня по всем видам транспорта. Время «затикало»: сейчас у них все зелененькое – все на местах, все легли спать, где и положено. Утром настал дисбаланс – кто-то приехал, кто-то уехал, синие – разъезжаются, так сутки и проходят, население перетекает по городу. Очень грубая модель – по принципу того же самого бассейна, только не с двумя трубами, а с большим числом (черным они как раз и показаны), а так – та же самая гидродинамика. Зачем это нужно? Это ни что иное, как базовое, граничное условие для более детализированных моделей.

Следующая картина: «Утро на Ваське» [слайд 11] – картина сделана еще тогда, когда работала «Василеостровская» (сейчас она немножко изменилась, потому что народ начал более активно пользоваться «Спортивной»): как люди рано утром перемещаются из спальных районов: кто-то садится на метро, выезжает, кто-то перетекает в основной бизнес-центр и университет на работу. А этой уже следующий уровень – транспортная модель [слайд 12] – чтобы ее просчитать, нужно промоделировать движение всех видов транспорта. На самом деле здесь нарисованы только автобусы, а для того чтобы моделировать автобусы, считается сразу все вместе, все машинки, задаются определенные законы движения – и вперед. Автобусы уже идут по фактическому расписанию с учетом пробок. Это то же самое, но на уровне пешеходной мобильности: станция метро «Василеостровская», пока она еще была жива и действенна [слайд 16]. Народ двигается «на своих двоих» – это уже следующий уровень, когда мы можем рассмотреть, как осуществляется перемещение людей между разными видами транспорта. Остановки нарисовали – извините, коллеги, что получается. Фактически модель города и распадается так: высокий уровень, ниже, ниже и ниже. Это подход сверху. И подход сверху здесь, пожалуй, более выгоден, чем снизу, потому что будь это подход снизу, мы не смогли бы смоделировать город целиком, пока бы не сделали модели всех станций метро, всех территорий – это была бы сумасшедшая куча работы. А так можно детализировать только то, что нам нужно. Интересна эта часть – пожалуйста, спускаемся до деталей, не интересна – давайте смотреть дальше.

Владимир Линов: Откуда данные о движении людей?

Александр Бухановский: Данные о движении людей для моделирования используются по трем источникам. Первый источник – это самые грубые данные УФМС: кто где прописан. Плюс к этому – социальная стратификация населения и корреспонденции (куда текут потоки народа). Например, люди из этого района равномерно работают в том, том и том, если принадлежат к такому-то классу. Если пенсионеры, то нигде не работают – выходят и сидят на скамеечке (я утрирую). Вторая часть – это данные видеокамер. У нас сейчас есть доступ к камерам наблюдений – далеко не все они нас устраивают, так как многие смотрят на стену, многие – на центр трассы, и это не интересно. Но там, где они есть, можно восстановить отдельные потоки. Третий источник – это данные социальных сетей. Когда люди выкладывают информацию с геотегами, делают фотки и выкладывают их в Instagram, делают твиты и пр. – это тоже показывает мобильность, причем там, где по данным УФМС никого никогда не может быть. Понятно, есть места, где никто не прописан, а люди туда ходят. Есть четвертый источник (мы не используем его для постоянной настройки модели, это, скорее, источник верификации, потому что он менее доступен) – это данные мобильных операторов. Все в совокупности позволяет решать такую задачу. Это не один какой-то источник данных, а много разных кусочков, из которых можно что-то слепить. Я не сказал об еще одном – данных, связанных с метро. Это тоже мобильность, но мобильность посредством метрополитена. Этот источник данных описывает не все, но существенную часть городской мобильности, по крайней мере. Данные входа и выхода метрополитена – здесь все более или менее хорошо измеряется по той причине, что есть турникеты. Единственное – за год по данным измерения около 100 тыс людей «остаются в метро». Это происходит вследствие того, что шли толпой и турникет их не заметил, не различил. Но 100 тыс. в сравнении с тем трафиком, который есть каждый день, – это «копейки». Под специфику мобильности метро строится отдельная модель, причем эта модель, как оказалось, зависит от пяти комплексных факторов, описывающих загрузку разных станций. Это фактор наплыва народа из пригорода; фактор, связанный с погодой – хорошая или плохая, бросают ли люди машины и едут на метро или нет; фактор, связанный с процессами на пересадочных станциях и т.д. Так или иначе эти пять факторов позволяют все измерить и воспроизвести.

Однако все эти факторы, как я уже говорил, строятся на основе метафорических моделей. Далеко не всегда это можно объяснить, часто это можно померять, восстановить на эксперименте, но понять причинно-следственные связи, увы, сложно. Причинно-следственные связи можно понять хорошо тогда, когда у людей выстраивается мотивация, например, в экстремальных ситуациях. Для Петербурга такими экстремальными ситуациями раньше были наводнения [слайд 13]. Как вы знаете, система защитных сооружений введена в строй. Наш коллектив участвовал в разработке системы поддержки принятия решений для защиты Петербурга от наводнений, которая реализует задачу моделирования, выработки плана и реализации открытия и закрытия затворов. Есть специфика – система позволяет делать прогнозы уровня течений. А дальше рассчитывается план маневрирования так, чтобы можно было закрыть затворы не тогда, когда наводнение уже дошло до критического уровня, когда начинается наводнение по ординару, а заранее, чтобы когда нужно было открывать затворы, было 160 см. (в существующей системе – 130 см, чтобы точно избежать ошибок). Почему это нужно? Есть Нева – будет то же самое, если вы заткнете раковину пробкой и откроете воду. У вас будет наводнение из-за Невы, потому что она тоже все время дает воду в Невскую губу. Поэтому вопрос не только, когда вовремя закрыть, а когда еще и вовремя открыть.

Если мы говорим, что система работает, все хорошо, наводнений Петербургу бояться не нужно. Заложенная проектная надежность (количество отказов) – один раз в 10 тыс. лет. Все нормально. Иногда бывает, что и раз в 10 тыс. лет приходит наводнение, по крайней мере, в летописях монахов, которые жили здесь до создания Петербурга, отмечается случай, когда Нева текла вспять. «Нева текла вспять» – значит, должно быть больше 5 с лишним метров. Что будет, если, не дай Бог, что-нибудь случится? И как помочь людям, которые уже забыли, как ходить по воде в полиэтиленовых мешках на ногах. Как помочь им правильно вести себя, желательно, с помощью каких-нибудь персональных устройств, средств поддержки принятия решений через их же мобильные телефоны? [слайд 14] Такое моделирование как раз и помогает – здесь изображена гипотетическая ситуация, когда у нас четыре сценария эвакуации Васильевских острова с Западным скоростным диаметром, и на них идет перемещение людей на частном транспорте [слайд 15]. Люди ночью встали – наводнение (синим – уже затапливается, в середине у Смоленского кладбища будут возникать тоже возникать зоны затопления). И люди пытаются отсюда как-то выехать. В левом верхнем углу – это «люди-роботы», то есть они встали в очередь к ближайшему мосту и стоят в этой страшной пробке, давятся. Внизу – более интересно –это люди получают информацию от системы, сообщают друг другу – открывают окна и кричат: «Ты туда не езжай, там пробка, давай к другому мосту». Обратите внимание: бедные «роботы» тонут до сих пор, им деться некуда, в воду попадают – машины глохнут и все, а все остальные уже уехали. Не обязательно даже чтобы все люди, которые в этом деле задействованы, имели такого рода системы. Если часть, где-то – 50%, где-то – 70% в зависимости от топологии дорожной сети будут себя вести как нужно, то остальные могут хулиганить и делать, что хотят – все равно все спасутся. Но это можно обосновать только с помощью такой модели.

Если мы стали говорить о неприятных экстремальных ситуациях – «Василеостровскую» закрыли, слава Богу, но пока ее не закрыли (мы рядом находимся), были постоянные рассказы студентов о том, почему они опаздывают, и почему хочется раньше уехать домой. Вот пример, на котором закрыли половину дверей [слайд 16]. Обратите внимание, сейчас будет такой эффект – люди будут выходить из метро и пытаться пройти через толпу, а толпа будет заталкивать их, и у них тоже будет снижаться скорость. Такого рода задачи тоже можно решать и предсказывать. Когда у нас сто человек, потолпились и ладно – разошлись. А когда у нас 50 тыс или 70 тыс? Например, стадион «Зенит-арена», который сейчас строится, рассчитан на 70 тыс человек. Согласно плану организации подъездных путей, люди должны расходится на метро в две стороны: влево – к строящейся станции «Новокрестовской», вправо – к «Крестовскому острову» [слайд 17]. Машины на остров, кроме обслуживающих мероприяия, не допускаются, то есть все должны будут пойти дальше по мосту на север, к Савушкина – это мы даже не нарисовали (считаем, что 20 тыс пошли туда). Здесь уже возникает вопрос: как можно промоделировать на несуществующем объекте, только на основе проектной документации ситуацию, как люди пойдут? Интересно не только то, как они пойдут, с какой скоростью и плотностью. Видите точки – есть черные и красные. Красные – это те места, где давление в толпе (проще говоря, последствия от крепких, острых локтей соседей) больше, чем нужно, и люди испытывают неудобства. А дальше – следующий наворот. Это понимание того, что будет, если вдруг пойдет дождь. Если хлынет ливень, народ радостно побежит к метро, только кто-то сможет бежать, а кто-то не сможет. Поскольку толпа такая плотная, то что с ней будет?

Или второй вариант – тут два сценария. Как их правильно развести между собой? Если нужная команда выиграет, то это хорошо. А если выиграет другая команда?.. Как сделать так, чтобы они не только не начали толкаться, а чтобы эти толкания не перешли в драку. Тесно скученной толпе ходить неудобно – болельщики воспримут это как личное оскорбление – не только команда проиграла, но еще и нас сюда запихали. Все это можно моделировать. Мало того, подобные модели могут иметь параметры, учитывающие эмоциональное состояние, агрессивность, и даже зависимость эмоционального состояния толпы от температуры воздуха. Сейчас мы делаем проект для Индии, в котором учитывается температура воздуха, потому что если больше 35°, то у них даже местные в толпе себя чувствуют плохо, хотя они привычные. Дождик и пр. – такие вещи тоже можно считать.

Если я буду говорить только о явных процессах, то явные процессы мы все сами наблюдаем. Мы выходим на улицу – там пробки. Транспортные модели никого не удивляют. Есть возможность использования такого рода инструмента для моделирования процессов, которые никто не видит и не потому, что не хочет смотреть, а потому, что их старательно скрывают те, кому это выгодно. Если мы говорим о городской мобильности как некоем драйвере, определяющем многие процессы, то с ней связано любое потребление – что обычное, что криминальное. Вот завораживающий «атлас проституции Санкт-Петербурга» – плод неуемной фантазии студентов Университета ИТМО [слайд 19]. На самом деле это данные, соответствующие реальности – с определенных сайтов, где милые дамы оставляют геотеги квартир, где они принимают клиентов. Если посмотреть на эти данные, то видно, что желтые пятна – это скопления у станций метро, то есть совсем не звероподобный водитель джипа, который может приехать куда угодно, является основным пользователем, а рядовые пользователи метро, которых гораздо больше. Даже такие загадочные процессы, которые никто не видит, тоже зависят от транспортной сети. Где есть потоки людей, там появляется и предложение.

Эта гипотеза сама по себе может быть заложена в моделях, которые и определяют потоки «грязных» криминальных денег в Санкт-Петербурге [слайд 20]. Сюда вкладывается все – от бабушек с семечками у метро, которые торгуют без лицензии, и таксистов с паленой водкой в багажнике до проституции, распространения наркотиков и иже с ними. Голубые облака – это скопления мигрантов, а точки – это косвенные данные, звонки о распространении наркотиков, зарегистрированные информационно-аналитическим центром Санкт-Петербурга. Косвенные данные – это жалоба типа «Мой сосед распространяет наркотики, негодяй, громко включает музыку и долбит перфоратором стену». Данные сами по себе еще не являются истиной, однако, пятна (и внизу бежит времечко) – это уже модельные данные, которые позволяют по мобильности людей, транспортным потокам, моделированию их предпочтений (какой, например, ежедневный «потребительский портфель» рядового студента) строить модель, как деньги в том или ином месте переходят из рук в руки. Если дальше совместить одно с другим, то по крайней мере можно видеть корреляцию. Само собой, мы говорим о метафорических моделях, но другого варианта нет. В налоговую они не сдают декларацию – мы не знаем, сколько они реально потратили. Однако по потреблению с неизвестным продавцом такие вещи можно оценивать и восстанавливать.

Это тоже загадочная структура – для Петербурга пока еще, к счастью, не работает [слайд 21]. Если мы говорим о скрытых процессах, то они есть у криминальных структур разного рода. Одна из таких криминальных структур – это своего рода производственная цепочка нелегального изготовления и сбыта наркотиков. Для Нидерландов, Амстердама это вещь, может быть, не столь характерная, но поскольку она нелегальная, соответственно, дешевле – выгоду можно оставить себе – все это работает. В чем специфика? Люди, которые участвуют в бизнесе такого рода, с помощью разного рода контактов, часто – социальных сетей, даже не видя друг друга, строят производственные цепочки. Что это означает? Кто-то выращивает коноплю на балконе, кто-то сушит, кто-то привлекает распространителей, кто-то обеспечивает финансы, договаривается. Соединились в цепочку, организовали процесс, прошло два-три цикла, цепочка распалась – ищи-свищи. Очень устойчивые криминальные структуры.

Здесь изображены разные роли и все возможные связи между ними. Когда начинаешь разрушать такую цепочку – кого-то поймали, – то сразу же происходит перестроение. Зеленые узлы – это узлы, которые начинают перестраивать свои связи, искать нового «хозяина», новых распространителей и т.д. Основная задача даже не в том, чтобы воспроизвести, как это будет работать, как развивается система, а в том, как правильно эту систему разрушать. Слева случайным образом удалено двадцать узлов – облава, кого поймали, того поймали. Двенадцать с лишним тысяч связей осталось. Справа удалили всего три узла, а осталось только 10 тыс связей. Что лучше?.. Наши и голландские криминологи это хорошо понимают: если в любой системе удалить слабое звено (кого проще всего арестовать – слабое звено, конечно), то система после этого станет сильнее. Ее будет разрушить гораздо сложнее, потому методы типа «хватай кого попало и вяжи сразу» даже в сериалах уже не рассматриваются, тем более вы видите, что моделирование это подтверждает.

Сети такого рода есть не только в криминальных структурах. Они могут появляться где угодно, например, при распространении заболеваний, причем в ряде случаев их даже невозможно обнаружить, потому что они динамические. Например, грипп [слайд 22]. Если у вас есть криминальная сеть, то вы с кем-то общаетесь – у вас есть постоянный подельник. А если грипп? Вы даже не знаете, кто на вас чихнул в транспорте – вы не заметили этого, а грипп пошел. Как раз такого рода сети и распространение гриппа можно строить на основе моделей городской мобильности, которые я показывал, которые и свидетельствуют о том, кто куда пошел, как пошли, кто с кем повстречался. Естественно, все данные в деперсонифицированном виде – мы говорим о неких модельных людях. Дальше эта картина – то, что получается – это кусок сети распространения гриппа в Санкт-Петербурге. Беленькие – это кто-то на работе получил свою порцию инфекции, зачихал, пришел домой, заразил жену, детей, вышел в магазин и дальше пошло-поехало, опять вернулся на работу. Так живут эти процессы.

Еще одна задача примерно того же плана, но уже в два уровня – когда опасная инфекция переносится через пассажирский поезд дальнего следования. Здесь люди в одном купе, едут, ходят в вагон-ресторан, пересекаются в тамбурах – в общем, вся «движуха», как положено по правилам. Люди общаются, и если здесь оказываются инфицированные, то само собой где-то это должно проявиться – они заражают других людей. А потом поезд, двигаясь от станции к станции, радостно высаживает зараженных на всех станциях следования. Дальше уже эпидемия развивается в каждом городе. Дальше можно решать обратную задачу. Можно ли до прибытия поезда в конечный пункт назначения поймать по косвенным факторам увеличение заболеваемости и предпринять какие-то меры и сказать, что это поезд, а не что-то иное? Такие задачи – а это уже обратная задача – тоже могут решаться.

Если говорить об обратных задачах, то еще один пример – очень характерный для такого рода моделей [слайд 23]. Здесь модель работает с точки зрения описания мобильности пассажиров, персонала, встречающих в нашем любимом аэропорту Пулково. Видите, зеленым обозначены передвижения людей. Здесь есть реальное расписание самолетов и все необходимые перемещения, то есть не только те, кто проходят необходимые места от регистрации до паспортного контроля и далее, а люди, живущие по правилам типа «сидишь долго – сходил в туалет», «ждешь самолета – сделал шопинг» и пр. – как все нормальные люди посещают аэропорты. В данной ситуации моделируется – обратите внимание, мигает розовым и желтым – ни что иное как датчики, которые позволяют отлавливать тех, кто, действительно, может быть интересен с точки зрения безопасности (например, несут с собой наркотики или плохо упакованную взрывчатку). Дальше возникает вопрос о сигнализации на соответствующий пункт. Почему я показываю эту картину? Здесь обратная задача – как правильно разместить наименьшее количество самых дешевых датчиков, чтобы максимальным образом покрыть всю территорию? Когда такого рода задачи мы решали, первая идея была самая очевидная – есть паспортный контроль, по-моему, больше 100 кабинок – в каждой из них поставить прибор, и все хорошо. Но это покрывает только тех, кто идет туда – не персонал, не встречающих. А еще – не дорого ли? Оказалось, что примерно 28 датчиков обеспечивают такое же покрытие и вероятность обнаружения. Пожалуйста, это тоже можно использовать. Это не просто геометрическая расстановка по территории, а расстановка с учетом того, как люди будут ходить, что они будут делать, какое у них типовое поведение, то есть с учетом поведенческих моделей.

Коллеги, я много наговорил о разных примерах – можно было бы и больше, но время у меня ограничено. Поскольку я обещал рассказать о суперкомпьютерах, то здесь тоже никуда не деться – понятно, если система сложная, то ее нужно сложно моделировать, иначе если считать на калькуляторе, то к чему все эти рассказы. Само собой когда говорят о сложном моделировании, говорят о суперкомпьютерах – это у всех на слуху. Четкого определения, что такое суперкомпьютер, нет – есть два и оба экзотические. Первое – экономическое: суперкомпьютер стоит несколько миллионов долларов. Понятно, что каждый год все меняется, системы растут по размерам. А второе – философское, что суперкомпьютер – это компьютер, производительность которого всего лишь на порядок меньше (не больше, а меньше), чем этого хотело бы современное естествознание [слайд 25]. Это к тому, что наши ученые такие ученые, что они могут перегрузить любой компьютер так, что его мощностей будет мало для их задач. Тем не менее, в настоящее время это машины, для которых несколько десятков тысяч ядер –не редкость. Для их работы часто бывает нужна маленькая электростанция, и не только для их работы, но и для отвода тепла, обеспечения вспомогательных процессов и т.д. Чаще всего современные суперкомпьютеры – гибридные: они объединяют разные процессоры и разные архитектуры. Кроме того, они имеют возможность объединяться в гибкие гиперсети. Например, можно запускать задачи в рамках таких распределенных систем – часть выполняется у нас, часть – в Голландии, часть – в Германии, часть – в Австралии – пожалуйста, по всему миру это работает. Есть так называемые грид-технологии.

К чему я это рассказываю? С точки зрения производителей железа, все хорошо – были бы деньги, мы купим большой суперкомпьютер, поставим маленькую электростанцию, даже не будем подключаться к котельной – будем обогревать здание института за счет теплоотвода с суперкомпьютера. Хорошо, но есть две тонкости. Первая тонкость связана с тем, что далеко не всегда вычислительные процессы, связанные со сложными системами, хорошо распараллеливается на суперкомпьютере. В чем источник мощности суперкомпьютера? Это не один большой процессор, это очень-очень много маленьких, на которых задача должна считаться параллельно, то есть нужно уметь поделить задачу на части, раздать задачи на разные узлы, посчитать параллельно, а потом собрать.

Когда мы с самого начала говорили о сложных системах, мы говорили, что каждый элемент может быть связан с каждым. Если есть такие сложные связи, ни о каком разделении на части речи идти не может, по крайне мере, о явном разделении. Это нонсенс – как можно разорвать их? Что тогда делать? На самом деле можно разделить, но очень хитро. Каким образом? Вот предметный пример – это сеть сексуальных контактов и сейчас на этой сети будет развиваться ВИЧ [слайд 26]. Сеть, разумеется, модельная – реально никто построить ее не даст, но по крайней мере свои победы в личной жизни, во всяком случае, в количественном плане люди иногда обсуждают, есть статистика. Смотрите, та же самая инфекционная сеть, но слева она есть как таковая – вся перепутана, связи каждого с каждым, ничего не разобрать, а справа – та же самая сеть, тот же самый граф, но разложенный на ветки, по которым шел процесс. Каждая «метелка» означает, кто кого заразил – дерево распространения. Обратите внимание – очень интересно – слева структура перевязанная клубком, а справа структура разделяется на отдельные метлы, каждая из которых может считаться параллельно. Как раз такие знания о процессах, которые идут по сетям, позволяют их распределить на отдельные параллельные куски и обеспечивают возможность приложение такого рода задач на суперкомпьютерах, иначе это было бы невозможно в полной мере.

Это демонстрация, как работает такого рода алгоритм – четыре отдельных процессора, каждый делает свой кусок сети, время от времени эти сети между собой сообщаются [слайд 27]. Один считает левую верхнюю сеточку, он подкинул больше узлов другому, потому что видит, что не успевает. Потихоньку балансируя разными узлами, между процессорами, они сообщают друг другу, что эти узлы я присоединил, эти узлы я заразил, а я – эти. Таким образом, выстраивается большая реальная сеть. Мало того, часто бывает, что целиком эту сеть даже не собрать на один компьютер, потому что она не помещается в память. Сделали ее и она живет на разных вычислительных узлах. Хорошо, скажете вы, мы научились параллельно моделировать и все здорово. Здорово, но не совсем, потому что задача не только в сетях.

Есть более серьезные задачи на следующем уровне. Когда мы говорим только о сетевом процессе, то все понятно – это одна большая задача. Но моделирование многомасштабных систем с учетом влияния многих факторов – это не только большая задача. Здесь есть проблема – то, что каждый масштаб воспроизводится в своей модели, а набор разных моделей ведет себя как лебедь, рак и щука [слайд 28]. Одна модель хочет забрать все ресурсы суперкомпьютера и свои данные расположить по-своему. Другая тоже хочет, но для нее данные первой модели в том, как они расположены, плохи, потому что она будет тратить огромное количество ресурсов на то, чтобы их переместить и разложить так, как ей нужно. И получается, если просто модели соединять между собой, то будет «лебедь, рак и щука», а хотелось бы получить аналог «репки», когда все эти модели будут так друг с другом общаться, что смогут обеспечить разделение ресурсов наших суперкомпьютеров для синхронизации и оптимального хранения данных друг для друга, чтобы все было быстрее. Иначе вместо ускорения расчетов у нас будет замедление. С учетом того, что у нас работает еще и собственная электростанция, это дорого – на персоналке еще можно это позволить, а тут как-то уже стыдно.

Посмотрите подтверждение этого примера [слайд 29]. Даже если мы с вами возьмем и распишем модель города на такие блоки – заложим туда исходные данные социальных медиа, сервисов, публичных камер, то дальше работает, с одной стороны, куча моделей параллельно – макромодель движения всего города, мезомодели по районам, микромодели по муниципальным образованиям, внутренняя пешеходная мобильность по зданиям, отдельно – модель наземного общественного транспорта, метро, электрички, учитываются междугородние потоки. Все это вместе накручивается и работает 24 часа и семь дней в неделю, данные обновляются – все хорошо.

Дальше – следующий уровень, когда есть модели, которые нужны людям время от времени. Например, у меня в компании есть десять мусоровозов – хочу для них посчитать оптимальные маршруты при работе восемь часов – не по «Яндекс-пробкам», потому что они мне не обеспечат маршрут. Им надо объехать весь город, пока они соберут все баки, а потом еще вывезти на свалку. Это отдельная задача – пожалуйста, ее можно решить, основываясь на общей модели, на ее результатах. Она запускается отдельным сервисом, обсчитывается, закончилась и все. А может, сейчас по ней никто не считает. Получается есть целый класс задач, которые работают не постоянно, а возникают время от времени. В чем проблема? Дисбаланс нагрузки, то есть вроде бы, суперкомпьютеры стоят, коптят, пыхтят, а их используют то густо, то пусто. Что делать? [слайд 30] Если мы говорим, что у нас разные задачи, разная ресурсоемкость, разные требования к вычислительным архитектурам, разный характер выполнения задач поступления данных, если мало того у нас еще есть задачи, которые более ориентированы не на вычисления, а на данные, то есть они тоже требуют разного подхода, приходится впрягать в одну телегу коня и трепетную лань – деться некуда. Каким-то образом надо заставить дружить весь этот набор разнородных приложений в компьютере, чтобы они еще работали дружно, синхронно и дудели в одну дуду.

Подходы есть разные. Кто-то пишет такие системы руками. Мы, например, когда решали такую задачу, сделали облачную платформу, которая объединяет различные распределенные ресурсы. Отдельные суперкомпьютеры в разных странах, облака, например, тот же Amazon, грид-системы, можно подключить личный компьютер, если это нужно она рассматривает как общий ресурс и дальше сама определяет задания между ним [слайд 31]. Здесь пример моделирования паники у Гостиного двора, который как раз таким образом в эту систему задавался и считался. Видите, что все выходы перекрыты – действительно, чтобы посчитать такую задачу нужно восемь разных моделей, описывающих разные этапы развития ситуации от организации сборища путем агитации в социальных сетях, заканчивая тем, что кто-то спровоцировал панику – и люди побежали в разные стороны да еще и по разным сценариям. Опять же здесь такие вещи можно объединять достаточно простым путем. А дальше за исполнение приложений отвечает собственно сама система.

Коллеги, я заканчиваю веселый рассказ. Однако не могу не сказать о том, кто занимается подобного рода вещами, поскольку представляю учебное заведение. Конечно, можно как в известном анекдоте о мышах и филине, сказать, что я – теоретик, я рассказал, как надо, и больше никто этого не знает – уйду и унесу это с собой в могилу. Ничего подобного. В Университете ИТМО мы поняли одну простую вещь, что программирование и информационные технологии – это наука молодая, а использование ее для предметных задач – это уже молодым, может быть, не по зубам. Тут нужно иметь определенный опыт, и это уже, минимум, задача магистрантов, а то и аспирантов. Как раз для этого мы создали и внедрили систему непрерывной подготовки кадров мирового уровня для задач предсказательного моделирования и вообще применения информационных технологий в слабоструктурированных областях знания [слайд 33]. На чем она основана? Мы готовим бакалавров у себя на основе привлечением талантливых школьников с помощью олимпиад, а магистратура и аспирантура уже идет с миру по нитке – принимаем как своих бакалавров (понятно, что они самые тренированные), так и людей из других вузов, зарубежных ребят, которые приезжают к нам из уважаемых университетов – членов консорциума. В основе консорциума – Университет Амстердама и Наньянгский технологический университет, чтобы охватить сразу Европу и Азию. Уже дальше магистратура и аспирантура идут по трансляционным направлениям, когда исследования ведутся на стыке ИКТ и моделирования с какой-то предметной областью. В частности сейчас у нас открыто пять совместных образовательных программ двойного диплома на английском языке [слайд 34]. Это «Суперкомпьютерные технологии в междисциплинарных исследованиях», где главное – технологии, а направление предметных исследований люди выбирают сами. Есть разные направления в зависимости от университета-партнера, с которым мы реализуем программу. «Большие данные и экстренные вычисления» – примерно то же самое, но упор не на моделирование, а на данные. «Суперкомпьютерные технологии в исследованиях большого города» – кривое название по-русски, а по-английски проще – Urban Supercomputing. То, что я сегодня показывал – это «следы жизнедеятельности» наших уважаемых аспирантов и даже некоторых продвинутых магистрантов. Следующую программу «Технологии социального моделирования и прогнозирования» я выделил, потому что она хоть и двойного диплома, международная и все хорошо, но она экзотическая, потому что это программа экспорта образовательных услуг в Армению, в Ереван, как ни странно. Их ребята обучаются по данному направлению у нас, а мы само собой туда никого не присылаем. Тем не менее эту тематику заказали наши уважаемые армянские коллеги, а поскольку Российско-Армянскому университету мы обязаны помогать – так или иначе это soft power, это важно для Российской Федерации в целом, – программа двигается, она как раз запущена с прошлого года. В этом году мы открыли новую программу – в ней не было еще ни одного набора, и сейчас мы ее продвигаем. Это программа, с одной стороны, Университета ИТМО и Северо-Западного федерального медицинского исследовательского центра имени В.А.Алмазова, а с другой – Университета Амстердама и Медицинского центра Лейдена «Вычислительная биомедицина», где подходы примерно те же самые. Я сегодня не показывал медицинских примеров, но так или иначе тот опыт, который мы наработали с медиками, думаю, мы вполне сможем здесь также воплотить.

Вместо заключения [слайд 35]. Как всегда, наговорил-наговорил хорошего, но в конце всех «обломил». Коллеги, может сложиться впечатление, что «космические корабли бороздят просторы Большого театра», как в известном фильме – моделирование может все, сейчас мы придем и все соорудим. Хотелось бы сказать, что предсказательное моделирование – это мощный инструмент, но это именно инструмент. Если не будет связки с хорошими источниками данных, если не будет предметников, которые могли бы правильно формулировать сценарии, то этот инструмент превращается в ничто. И тогда возникает ситуация с мертвой лошадью – это тоже аллегория, когда мы нашу модель или комплекс моделей выкручиваем, хлещем, заставляем работать, но выхода из нее никакого – она все равно не сдвинет нашу телегу. Если бы я поднимал тост, я бы сказал: «За коллаборацию, друзья и коллеги!» И на этом я бы хотел закончить свое представление. Спасибо.

[аплодисменты]

видеозапись дискуссии

дискуссия

Андрей Вейхер: Год назад мне пришлось делать задачу, связанную с подвижностью по новым кварталам застройки, и там возникла идея, которая имеет старые методологические корни. Мы в большинстве случаев можем делать предсказание так или иначе на основе старого опыта. Трудность состоит в том, что имеется некоторый набор параметров, которые используются впервые, и мы оказываемся в царстве некоторых предположений. Есть ли в вашей практике какие-то методы отбора или, точнее, перебора (коль скоро у вас такой мощный аппарат), когда включается такой парадоксальный, часто обсуждаемый в последнее время феномен, что без элемента произвола (в полном смысле этого слова), который не имеет никаких случайных чисел, никаких предшествующих связей, мы не можем моделировать многие ситуации? Вот так у нас получилось с новыми кварталами. Есть ли какая-то процедура перебора каких-то вариантов, которые отсутствуют?

Александр Бухановский: Есть такой подход, который называется «эволюционное суррогатное моделирование», простите меня за такое ругательство. Это почти калька с английского (там еще жестче, но, по крайней мере, у них лучше воспринимается). Что это такое? Это ситуация, когда мы имеем модель, но наша модель сама по себе, по своей структуре не укладывается полностью в те данные, которые у нас есть. Например, данные наблюдения какие-то новые – модель их не отражает, и мы не знаем, почему. В этой ситуации мы начинаем (я скажу аккуратно) подстраивать эту модель, начиная отращивать от нее один отросток в бок, другой отросток в бок, причем методами, не основанными на знаниях предметной области, методами машинного обучения, то есть компьютер модифицирует сам: давайте сюда что-нибудь добавим, давайте сюда что-нибудь добавим. То есть, он курочит ее специально, создает некую популяцию таких изуродованных моделей (почему и называется «эволюционный подход»), он даже может скрестить между собой две-три наиболее хороших. На основе этой популяции, предлагает: попробуйте эту, потом эту, потом эту. А если это даже не сработает, есть еще один подход. Называется он «ансамблевое моделирование». Это то же самое: когда мы не можем сказать, какая из наших моделей лучше. Как предлагают хранить деньги? Купите в равных долях евро, рубли и доллары, и вы уж точно не прогадаете. Здесь примерно то же самое, когда предлагается: возьмите, пожалуйста, половинку этой модели, четвертинку этой, еще четвертинку той, и тогда у вас будет все хорошо. Как это ни смешно звучит, но обе этих процедуры имеют серьезное математическое обоснование и достаточно хорошо изучены. В таких слабо формализованных системах, где есть закономерности, но мы их не знаем, не можем извлечь на основе тех фрагментарных данных, которые существуют, на основе тех гипотез, которые у нас есть, подобного рода подходы, к сожалению, иногда бывают лучшим решением.

Оксана Жиронкина: У меня был такой же вопрос, как и у Андрея Алексеевича, но я его задала еще раз, потому что не услышала на него ответ. Как я поняла, говорили примерно об этом: есть какие-то цикличные события, феномены – то, что вы изучаете, сложные системы – и тогда понятно, что будет цикл. Выехал утром на работу, поработал в другом районе, приехал, вернулся – цикл прошел. А есть какие-то линейно развивающиеся – например, мода тоже циклична, но у нее цикл может быть существенно больше и там повторение неполное. Можно это предсказать? Я хочу знать, что мне завтра изготовить и продавать в магазине, чтобы попасть в целевую аудиторию, которая будет это покупать, например.

Александр Бухановский: Можно, но с элементом цикличности. Сейчас объясню. Первый шаг: вы строите модель только на основе тех гипотез и сценариев, которые родились у вас в голове – почему я говорю, что сценарии закладывают предметник, тут никуда не деться. Если вы их хорошо заложили, прекрасно. Дальше: вы начинаете ваш процесс аккуратно-аккуратно – вы закупаете первую маленькую партию, привозите в ваш магазин и продаете. А после этого вы смотрите, насколько данные, полученные вами после первого шага, отличаются от того, что выдала вам модель. А там может быть два варианта – и опять же математически эти вещи достаточно хорошо описываются. Первый вариант: когда у вас отличие вот такое, вы скажете, что-то у меня не работает – наверное, я должна вернуться на шаг назад и переформулировать гипотезы. А второе: когда отличается, но ненамного – с точки зрения модели, это формализуется. И тогда работает так называемая процедура усвоения, то, что называется data assimilation. Это когда модель по ходу, по горячему берет текущие наблюдения, правит себя и от этого становится точнее. Вся гидрометеослужба уже лет 30 работает на основе таких принципов. В социальных системах это тоже работает, но более сложно, потому что в социальных системах гораздо больше вещей, которые просто ускользают от наблюдения. И вроде, делаешь усвоение и подтягиваешь ее, а после этого она начинает давать «нобелевские» результаты, потому что что-то не учел. Но другого варианта – волшебной палочки, чтобы заложил в гипотезу, нет. Лучшее средство прогнозирования – это ум экспертов. Модель – это лишь возможность трансформировать некоторые эманации его ума в численной форме конкретно осязаемого результата. Мы не берем на себя функцию экспертов.

Владимир Линов: Я хочу задать такой вопрос одновременно с высказыванием, который касается структуры принятия решений. Вы в конце сообщения сделали такой вывод для себя, что необходимо иметь суперкомпьютерную систему, дальше говорили об облаках и т.д. Вы клоните, если я правильно понял, к тому, что нужно стремиться создать своего рода автоматизированную систему принятия решений. Хотя понятно и даже общеизвестно, могу так сказать, что в реальной человеческой деятельности более эффективной системой принятия решений является смешивание, комбинирование, когда фрагментарно используются модели отдельных процессов и на многих уровнях включается человеческое сознание. Процесс становится во многом эвристическим, своего рода искусством. Как вы можете отреагировать на эффективность тех затрат, которые есть уже сейчас, в том числе и у вас, и прогнозируются вами как очень большие перспективы? Рационально ли это с точки зрения теории принятия решений?

Александр Бухановский: Я полностью соглашусь с вашим утверждением. Мало того, я и следовал этой логике, что, в принципе, видно из данного слайда. Но есть какие-то задачи, которые должны вертеться по всему городу в режиме 24 на 7 – никуда не денешься, под это нужны ресурсы. А есть какие-то задачи, которые, действительно, могут решаться децентрализовано. Кардиологическая скорая – второй пункт внизу. Кому это нужно, кроме нашего городского комитета по здравоохранению и соответствующих станций? Я бы сказал так, что вопрос с суперкомпьютерами поднимаем только по той причине, что хочется много всего и надолго. Понимаю, что это перспектива. Отдельные децентрализованные системы по разным направлениям есть и сейчас. Мой прогноз: в ближайшее время все равно будет некий их сбор, по крайней мере, будет создано достаточно ресурсоемкое общее ядро, которое будет обеспечивать эти отдельные системы. В чем специфика? Вы использовали слово «общеизвестный факт» – есть второй общеизвестный факт о том, что сложные системы и вообще глобальные системы хорошо поддаются децентрализованному управлению, когда в них все идет хорошо. Как только у них начинаются экстремальные ситуации, все плохо, они настолько сильно цепляются друг за друга, что мы рассматриваем весь комплекс в целом – и никуда не деться. Наверное, это и ответ, что надо иметь тот самый гибридный тип, но работать все вместе это будет тогда, когда это действительно нужно. Когда возникают критические ситуации, никуда не деться. А так пусть занимаются сами собой.

Владимир Линов: Можно еще один вопрос, связанный с этим, но более частный? Поскольку я много занимался градостроительством, хотя сам я – не транспортник, но коллеги подтвердят. Давно существуют довольно простые технологии разработки транспортных графов, которые основаны на дешевом труде студентов, которых ставят на обследование на улице, и для этого не обязательно смотреть сверху из космоса и определять людность. Есть гораздо более экономные способы решения этих задач. Вроде бы, есть довольно важные вопросы, когда требуется компьютерное моделирование, а когда не требуется, чтобы не забивать гвозди микроскопом. И таких случаев очень много. Понятно, что всякий ученый хочет удовлетворять свое любопытство, как известно, за общественный счет, поэтому профессионалы в вашей области хотят максимального внедрения суперкомпьютеров. Но с точки зрения гражданина, все-таки нужно в какой-то момент понимать, что можно сделать более экономно?

Александр Бухановский: Несомненно. Мало того, когда я показывал эту систему, почему использовал фразу, что можно объединять суперкомпьютеры и облачные сервисы и прочее. В чем основное достоинство? Она берет для работы только те ресурсы, которые ей реально нужны. Эта система сама по себе является надстройкой в распределенной среде. Есть суперкомпьютер, например, коптит, в соседнем вузе небо, задачи нет – пожалуйста, система его подключает и может использовать эти ресурсы. Нужно больше ресурсов, например, беда какая-то случилась, весь город встал, пробки обсчитать – пожалуйста, на день подключаем Amazon. Не нужно ресурсов, все нормально идет – стоит обычный сервер, на нем все работает и все хорошо. Здесь как раз и решается та самая задача энергоэффективного использования ресурсов. Если говорить о компьютере – почему я на этом специально сделал упор – в любом случае, если их нет, на них не замахиваться. Через какое-то время будет другой запрос граждан, которые скажут: «Что ж вы в экстремальной ситуации нас не спасли, не обсчитали?» Мы скажем: «Был нужен суперкомпьютер, а мы не умеем с ним работать». Может, мы все-таки вначале научимся с ним работать, а потом спустимся на уровень ниже. Вот мой ответ.

Владимир Линов: Можно еще один совсем короткий вопрос? Скажем, защитные сооружения в Петербурге строились из прогноза того, что катастрофические наводнения проходят с частотой раз в сто лет. Вот почему вы упомянули тысячу.

Александр Бухановский: Да, 10 тыс лет.

Владимир Линов: Или даже 10 тыс лет. Смотря что называть катастрофическим…

Александр Бухановский: Катастрофическое по географической классификации может быть раз в сто лет, но это не зависит от строительства сооружений – это зависит от природы. Я о том, что та надежность, которая заложена в систему, такая, которую я вам назвал, потому что, извините, это просто техническое задание на систему.

Владимир Линов: А это нужно кому-то?

Александр Бухановский: Ну, город-то плохо утопить. 

Владимир Линов: Раз в 10 тыс лет – ничего страшного [смех в зале].

Александр Бухановский: Коллеги, это известная логика расчетов – раз в сто лет, в 10 тыс лет. Она пошла не от прогнозистов, не от того, что это будет завтра или послезавтра, или через 10 тыс лет от того, как я сказал. Она пошла от страховщиков, потому что это некая контрольная цифра, на которую закладываются при проектировании. Дело в том, что мы, действительно, не знаем, какая она будет. Раз в 100 лет – это характеристика для буровой платформы, раз в 25 лет – для морского судна. Извините, но явно «раз в 100 лет» у нашего комплекса быть не может. Мы считали 10 тыс лет – и характеристики, и входные данные для них, и уровень, и волнение, и нагрузки на затворы. Соответственно, вероятность заложена.

Владимир Линов: Ачто, какие-то страховые фирмы от катастрофы страхуют?

Александр Бухановский: Нет, это не страховка.

Владимир Линов: Кому это нужно в результате? Извините, что я так.

Александр Бухановский: Вы имеете в виду надежность?

Владимир Линов: Нет, кому нужна была ваша работа? Вы же деньги получили за эту работу?

Александр Бухановский: Да. А кому нужна? Вам как гражданину нужна? Десять наводнений было с момента внедрения в 2011 году? Наша система работает – предотвратила все. 

Владимир Линов: Так это без вашей работы.

Александр Бухановский: Почему без нашей работы? Как без нашей работы, если мы ее делали?

Владимир Линов: Тогда интересно, сколько стоила.

Александр Бухановский: Об этом мы с вами отдельно поговорим. По крайней мере, мы до сих пор сопровождаем систему поддержки принятия решений по предотвращению наводнений в Петербурге. Регулярно.

Николай Руденко (ассоциированный сотрудник Центра STS, ЕУСПб): У меня вопрос был об экспертах, на которых вы постоянно делали фокус, говоря о том, что готовят сценарий. Удивило количество моделей, на которых вы делали и на которых делали не вы, в Голландии.

Александр Бухановский: Это не в Голландии, это мы делали – данные голландские, а модели делали мы. Мы чужого ничего не делали, чужое не показываем.

Николай Руденко: Тем более. Вопрос состоит в том, как вы набираете экспертов. С одной стороны, это ваши магистры и аспиранты, с другой стороны, здесь явно требуются люди, которые знакомы с областью не один десяток лет. Вопрос: как строятся отношения с ними? 

Александр Бухановский: Магистры и аспиранты у нас – это те люди, которые работают в нашей области, у нас пишут программы, разрабатывают чистые методы с нами и с более старшими товарищами. А эксперты – это вы, уважаемый коллега. Мы запустим проект и придем к вам, и вы нам будете ставить сценарии вместе с нами. Мы будем говорить: «Наша моделька может это – как можно предвидеть этот параметр?» Вы скажете: «Что вы, этот параметр вообще никто не определяет, такого не бывает, он никому никогда неизвестен. Если бы вы могли это». И мы пойдем думать, как в нашей модели выразить тот параметр через этот, чтобы вы были удовлетворены. Так совестными итерациями это и строится. Когда решалась проблема комплексных защитных сооружений, мы начинали работу с экспертами из Океанографического института, Кафедры океанологии СПбГУ, с дирекцией комплекса защитных сооружений, которая тоже уже имела определенный опыт. Только таким образом – в совместных проектах на паритетных началах.

Елена Чеботарева (старший преподаватель Института философии, СПбГУ): У меня такой вопрос: не могли бы вы побольше рассказать об эвристическом потенциале моделирования? Если я правильно поняла, изначально закладывается сценарий эксперта и потом он более или менее уточняются и наглядно красиво показывается. Но насколько это отличается от того, если собрать, к примеру, десять хороших экспертов, взять статистические данные и как-нибудь прикинуть на бумажке? Что дает моделирование в плане эвристического потенциала? Могут ли быть некие результаты, которые мы вообще не предполагали, и все, кто здесь сидят, будут удивлены? Такое в вашей практике встречалось?

Александр Бухановский: Да, такое в нашей практике встречалось. Когда я говорил о сценариях и экспертах, имел в виду немножко не это. Эксперт закладывает сценарий расчетно. Какой например? Мы делаем прогноз погоды – мы считаем, что за время прогноза погоды на трое суток вперед атомный взрыв и извержение вулкана нигде не произойдет. Я сейчас почти утрирую, то есть это сценарии. Эксперт говорит, что эти, эти, эти условия сохраняются. И можно считать дальше прогноз. Эксперт не говорит, что мы считаем прогноз и должно выйти +200 градусов на третий день. У нас такие экспертные сценарии. Это не то, что должно получиться – получается то, что получается. Эксперт не всегда может предугадать. Что касается случаев, когда эксперты могут предугадать, что будет, вы знаете, моделирование, если мы говорим о том, что модель – это виртуальный образ системы в компьютере, то модель может дать не только некие интегральные характеристики, которые эксперту легко предугадать, а общее видение ситуации. Например, мы рисуем вам все загрузки, сколько людей в любом месте, где они находятся, как они подбегают. И часто бывает, что на основе моделирования можно считать гораздо больше других вещей, связанных с этим процессом, чем на основе неких экспертных представлений. Эксперт скажет: плотность населения будет примерно 2,5 человека на квадратный метр. Я утрирую опять же. А модель скажет: да, будет 2,5, но здесь в углу вообще никого не будет, а там они будут давиться. Давайте-ка мы сюда их переместим, а где они давятся, дверь откроем. Это мой ответ. Я вижу, вы не удовлетворены.

Диана Вест: Вопрос, касающийся не столько моделирования каких-то существующих систем, а разработки новых технологий. Уже был упомянут вопрос о дамбе, и в связи с ним я вспомнила интереснейший пример в Соединенных Штатах, где перестали строить ядерные реакторы с 1960-х годов потому, что никто не берется их застраховать. Система страховки, определенный статистический механизм сильно влияют на развитие самих технологий. Параллельно с этой историей вспомнился еще очень известный социолог, который пытался, конечно, не сложными математическими и компьютерными моделями, а, так сказать, очень простыми социальными моделями определить различные технологии. Он разбил все технологии на комплекс из четырех квадратов: рутинные, инженерные, ремесленные и нерутинные. Примем их как допущение и будем надеяться, что все присутствующие понимают, о чем идет речь. Исходя из этого, он разработал определенную модель технологий, которые нельзя никогда строить. Что можно строить? Можно строить все рутинные и ремесленные системы, потому что мы понимаем их поведение. Если, например, перестал работать какой-то автобус, то мы понимаем рутинность всей системы транспорта и, в общем, мы можем ее быстренько заменить и исправить. Мы можем строить вещи, которые сложные, но нерутинные, потому что взаимодействие между различными компонентами, в принципе, никаких критических проблем не создает. Какие-то точечные проблемы возникнут, но катастрофических последствий технология не имеет. Но вот что нельзя никогда делать в его концепции, его зовут Чарльз Перроу (это не Шарль Перро, это немножко другой человек) – это строить инженерные и при этом нерутинные системы. В инженерных и нерутинных системах разные компоненты очень близко взаимодействуют, но мы не совсем понимаем, как они работают. Ядерные технологии он относил именно к такого рода проблемам. Не кажется ли вам, что потенциально в суперкомпьютере и управлении городским пространством с помощью таких сложных моделей, которые если что-то ломается в системе, мы даже не понимаем, куда смотреть, относится именно к таким системам, от которых нас пытался отговорить Чарльз Перроу?

Александр Бухановский: Вы совершенно правы. Я думаю, что это действительно так. Однако есть беда в том, что мы вначале построили технологию, потому что мы уже построили города и организовали нашу жизнь так, что мы сами оказались во власти этого. Потому то, что сейчас мы пытаемся исследовать и делать какие-то системы управления, – это лишь ответ на то, что получилось. Если можно было, как с атомными станциями, то есть срочно сняться с места и разойтись по деревням, наверное, это было бы решением. Сейчас это просто крик души и приходится как-то справляться.

Диана Вест: Но если мы сведем все управление к таким сложным системам, не увеличивает ли это определенный уровень риска?

Александр Бухановский: А есть еще один момент. Хотя я использую слово «управление», но я вместе с этим постоянно говорю «поддержка принятия решения». Система предотвращения наводнений в Петербурге далеко не самая сложная: открыл-закрыл – вроде, тут и город сильно не задействован. Но даже в этой системе решение принимается не человеком, а группой, которая может вынести решение, противоречащее тому, что сказала система, потому что у них есть, естественно, другие факты, они все это сводят, есть специальные средства для коллаборативной работы этих людей. Если говорить о городе, то город – это примерно то же самое, только коллаборация разных специалистов, экспертов на разных уровнях по вертикали и по горизонтали. Все равно окончательное решение утверждают, принимают и реализуют люди. А мы лишь даем то мясо, на основе которого его можно сделать. Упаси бог делать автоматическую систему управления такого уровня. На уровне дверей автобуса – это пожалуйста, пусть закрывает-открывает, а городом – это уж извините.

Оксана Жиронкина: Мы вернемся к вопросам, а я хочу сейчас спросить у наших коллег-практиков. Елена Георгиевна, Игорь, вы видите возможность применения суперкомпьютерных технологий в своих сферах? Елена Георгиевна, давайте с вас начнем, потому что о транспорте очень много говорили.

Елена Ногова: Транспортным моделированием я занимаюсь всю свою взрослую жизнь. Я пыталась сосчитать, но то, что сделано несколько десятков макромоделей городков – это совершенно точно. Микромоделей, игрушек, для демонстрации генералам – они любят, когда машинки ездят и человечки ходят, нормальный инженер все просчитать может. Кроме городских, были и большие модели, наподобие транспортного коридора Западная Европа – Китай (от финской границы до Оренбурга и границы с Казахстаном). На той неделе, наконец, прислали деньги за модель прогнозов пассажиропотоков на Москве и Казани. Все это, действительно, практические задачи, нужные для проектирования, инженерных решений, от которых много зависит. Совершенно верно – вы этим начали и закончили, и коллеги задавали вопросы – есть проблема данных. Со своим опытом я понимаю, откуда их можно взять, насколько они достоверны, что с ними делать, каких не хватает и т.д. Но момент, который у вас совершенно не прозвучал, не было этого слова – в транспортных моделях не так важны данные, которые, я думаю, мы очень скоро будем получать у мобильных операторов (уже есть договоренности), как проблема поведения. Он едет отсюда – сюда, оттуда – туда едет столько-то. Зачем они едут? Почему они едут? Почему они выбрали автомобиль либо автобус, либо метро? Как их поведение понять и описать, алгоритмизировать – это гораздо более серьезная и более интересная проблема. В Москве и Казани – боже ж ты мой – кто там только ездить не будет, с какими только целями. Только на работу в Москву будут ездить, как минимум, пять разных групп – с разными целями, с разным поведением, с разной частотой, которые по-разному будут реагировать на всякие раздражители: на изменение расписания, изменение времени, изменение тарифов и т.д. Все это надо понимать. Кроме денег и времени, есть еще и удобство, и комфорт, и надежность транспорта, и расписание – чего только нет. Все это уметь описывать – это гораздо более интересная и важная задача. И тут вопросов, действительно, много. Еще один важный момент: а можно ли верить? Конечно, хорошо сделать кучу сценариев. Только знаете, во все это деньги вкладываются. Я очень хорошо помню, как мы рассчитали 92 сценария за две недели, для того чтобы доказать представителям Олимпийского комитета, что тут дорогу строить не надо, что ее строительство приведет к сокращению возможных затрат времени всего на семь минут и то в том случае, если сойдет лавина (в Красной Поляне). Пока мы все это не сосчитали, не разложили, МОК настаивал: давайте, тут в горах еще одну дорогу построим. Приходится не только самим верить, приходится доказывать. 2 февраля у меня были эксперты из Франции, которые смотрели наши расчеты. Почему? Потому что надо инвестировать деньги. Как мы считали в свое время? Мы считали в свое время потоки на ЗСД, а до 2008 года, как вы помните, французские и итальянские инвесторы были очень заинтересованы в этом проекте. И когда дело доходит до конкретной реализации проекта, приезжают эксперты мирового уровня, которым приходится доказывать, что то, что ты просчитал, – это правда. А посчитать надо не на сегодня и не на завтра, а для дорожек на перспективу 20 лет, для мостовых сооружений – 30 лет, для железных дорог – 35 лет и т.д. Это реальные деньги. Какой мы будем строить вокзал? Какой длины будут платформы? Сколько нам придется покупать вагонов, поездов и рельсов? Цена вопроса идет на миллиарды. Это все приходится доказывать очень серьезно. Не раз приходилось, но все равно до сих пор волнуюсь. А теперь о суперкомпьютерах. 

Зарина Бутаева (пресс-секретарь, Комитет по экономической политике и стратегическому планированию администрации Санкт-Петербурга): А можно перед этим получить одно уточнение? Вы как разработчик берете на себя какие-то риски за неправильно созданную модель или ошибки в модели?

Елена Ногова: Меня просто не позовут следующий раз.

Зарина Бутаева: Вы как-то прорабатывали, что сейчас будут пробки? Вы ожидали?

Елена Ногова: Ожидали. Там проблема на съездах и пунктах сбора оплаты. Мы говорили делать их в два раза больше. Уже тогда был бесконтактный сбор. Места нет.

Андрей Вейхер: Вы можете выяснить, ваши данные20-летней давности через 20 лет работают?

Елена Ногова: Вы знаете, мы попали вот так! Нам говорили: «Тетки, вы что, дуры? 100 тыс в сутки? Да такой среднегодовой суточный поток не будет никогда!» У нас четко на 2010 год на Москву этот поток... В том-то и дело, можем проверить. Хотя тогда у нас модель города была достаточно слабенькая.

Владимир Линов: Но оказалась достаточной?

Елена Ногова: Да, да, попали.

Андрей Вейхер: Эксперт прекрасен, когда узнает тягость ошибок. Ошибки бывали?

Елена Ногова: Крупных не было.

Андрей Вейхер: За 20 лет ни в одной модели?

Елена Ногова: Не везде проверяют. Не везде 20 лет прошло. Потом очень часто ситуация меняется.

Андрей Вейхер: Это самое важное.

Елена Ногова: Особенно с градостроительным развитием. Посмотрите, те, кто на Васильевском. Сколько они туда закладывали, а сейчас в два раза отрезали, слава богу. Теперь по поводу вашего суперкомпьютера. Ни разу ничего особенного не было нужно. Нужно было 35 лет назад, когда мы вырубали весь институт и вычислительный центр для того, чтобы посчитать координацию работы светофоров на сети из 50 перекрестков. Тогда было нужно. Сейчас все эти задачи плановые. Какому-нибудь сумасшедшему все равно – модель, действительно, не дает ответа, она дает совет. Пока она считается 5-7 минуточек, вы найдете, чем заняться и о чем подумать. Потребности в каких-то суперкомпьютерах в моем опыте ни разу не было и, думаю, не будет. Сейчас на немецкой модели считают – она просто сделана плохо, а если бы она была написана хорошим грамотным программистом, и там суперкомпьютер не нужен был бы.

Александр Бухановский: Вы имеете в виду макромодель?

Елена Ногова: Да, макромодель. Микромодели – я же сказала, для кого они нужны, чтобы такое кино показать и не более.

Александр Бухановский: Это смотря какие задачи ставятся.

Елена Ногова: Да, наверное, для всяких транспортно-пересадочных узлов, вокзалов, чтобы не забыть какую-то лестницу…

Александр Бухановский: Вокзалы, развязки, например, такие вещи. 

Елена Ногова: Это может быть. Но как-то получается, что не такими аспектами.

Оксана Жиронкина: Спасибо, Игорь, Виктор, есть комментарии?

Виктор Тамберг: Я как имеющий отношение к сфере маркетинга могу сказать, что, безусловно, за этим будущее. По-моему в прошлом году в Москве нечто похожее применялось.

Елена Ногова: Господь с вами, это уже десятилетия применяется.

Виктор Тамберг: Да, сотовые операторы и провайдеры вычисляют должников, когда они обращаются в какой-то банк… В принципе, я думаю, что это должно стать массовым явлением и для малого бизнеса, и для среднего, потому что потребительскую мотивацию можно моделировать и высчитывать. Проблема в том, что нет данных. Их, действительно, нет и они не появляются… Вы сейчас разработаете что-то понятное и применимое, и мы будем это использовать.

Елена Ногова: С одним оператором мы уже договорились. Главное начать.

Игорь Кривошеев: Хочу поприветствовать коллег – мы встречаемся не первый раз, я их знаю и люблю. Хочу сказать спасибо Александру за очень хорошую подачу материала о суперкомпьютерах. Вспоминая о прошлой нашей встрече, хочу по-другому поставить вопрос. Меня это очень радует – все, что мы делаем с коллегами, приводит к тому, что идет интенсивное движение к пониманию ситуации в городе и стране. Если прошлый раз когда мы встречались лет 5-6 назад, мы говорили о том, что город нас практически не слышит, никто нас не понимает и не хочет думать о тех проблемах, которые есть у города (нет выездов, нет въездов, нет съездов, территории не развиваются). Сегодня, может, меня поправят, наш главный архитектор, слава богу, коренным образом изменил ситуацию и настаивает (я – живой свидетель этого процесса) на том, что территории должны развиваться планово, что сначала должно быть осознание того, что требует переустройства, а потом мы должны строить. Слава богу, наши крики в пустыне оказались не в пустыне. Я этому был безумно рад, не знаю, как коллеги. Это здорово, это значит, что мы живем не зря. Это радует. По поводу суперкомпьютера – вы знаете, все здорово, но у меня вопрос. Все время, когда я вас слушал, у меня был вопрос, кто заказчик? Кто заказчик у всего этого? У каждого движения и у того, что происходит в нашей жизни, есть заказчик. Мы все трое – практики – сказали одно и то же, если вы слышали. Суперкомпьютер – это здорово, но без человеческого мозга, без образования не по учебникам, без какого-то образа в голове, к которому мы идем, компьютер, мне кажется, – это кусок железа, он не нужен. Не знаю, поправьте меня – опыт подсказывает, что это так. Можно собирать сколько угодно данных и крутить их туда-сюда, а человек посмотрит и скажет: «Нет, это не так – у вас тут куска не хватает»…

Елена Ногова: Обычно это можно сказать о модели, когда показывают что-то странное.

Игорь Кривошеев: У вас в голове есть образ, к которому вы идете. Компьютер – это, к сожалению, бездушная штука, у него нет мозга. Он, в принципе, это не может сделать. То, о чем вы говорили в свей лекции, – вы собираете экспертов, которые дают направление мысли для построения модели. Все равно, с моей точки зрения, нужно иметь единый образ. Если мы говорим о проекте, то это говорит о том, что есть проект и него есть руководитель. Любое действие, которое вы делаете, вы что-то считаете – это проект. У этого проекта должен быть образ, куда вы идете, к чему вы стремитесь. В том, что вы рассказываете, я не вижу направления. С моей точки зрения, направление в том, что у города должен быть хозяин, который не дает городу развиваться так, чтобы надо было потом… Есть такая игра (я забыл, как она называется) – ставишь руку на одну точку, другую – на другую, и нужно так это сделать, чтобы потом можно было «развязаться». Если идти одним путем, а потом искать, как выскочить из этой головоломки, то нужен не суперкомпьютер. А супер-суперкомпьютер. Если есть политическая воля сначала думать, потом делать, то наши задачи упрощаются. Я расконсервировал дамбу и считаю, что это дело полезное. В таких вещах, наверное, совершенно четко коллегия, как вы сказали, принимающая решение, может с финансовой точки зрения принимать решения, а с точки зрения открывать или не открывать заслоны, согласен с вами, должен компьютер. Он видит, что происходит, он может анализировать ситуацию в таком количестве параметров, в котором человеческие возможности, наверное, не дают. С точки зрения моделирования природных явлений, наверное, так. С точки зрения моделирования образа, думаю, что нет. Думаю, что все-таки, мы, люди пока еще поборемся. Спасибо большое.

Сергей Олейников: Уже упомянули здесь слово «маркетинг», но понятно, что выступает представитель бюджета. Показательным было бы описание некой бизнес-модели. Если бизнес заказывает, то уже не стоит говорить о какой-то ангажированности, коррумпированности и т.д. Существуют ли такие заказы и если заказывают, то как строят свое техническое задание?

Александр Бухановский: Коллеги, я могу сказать, что в таком комплексе собранных моделей не только бизнес не заказывает, это даже представлено так, чтобы бизнес никогда это не заказал. Я вам сейчас представлял как научные измышления. По поводу научных измышлений хотелось бы рассказать анекдот (уж простите, перейдем к анекдотам). В застойные годы простой советский человек приходит в магазин и вдруг видит – стоят ценники: говядинка – 2,20, свинина бескостная – 2,40, десять сортов мяса. Он удивился. Все продавцы улыбчивые, прилавки блестят, все здорово – вроде, не спецраспределитель. Он подходит бочком и говорит: «Заверните мне, пожалуйста, килограммчик говядинки». Продавец, улыбаясь, расстилает большой лист бумаги: «Ну, давайте вашу говядинку». То, что я вам рассказывал, очень созвучно с этим анекдотом. Почему? Как мой доклад называется – предсказательное моделирование, то есть что, какие вещи могут делать технологии моделирования. Что касается того, как адаптировать их к бизнес-процессам, – это, уважаемые коллеги, нам нужно делать вместе с вами. Что касается заказчиков, которые уже есть сейчас, например, вещи, связанные с болячками, – это Минздрав и его структуры. Понятно, что там задачи специфические, связанные с безопасностью, а безопасность, как вы понимаете, контролируется государством. По задачам, связанным с движением людей, как ни странно, заказчиков по России у нас пока нет, но они у нас есть заграницей, в частности, в Голландии и в Индии. Что касается дамбы, тут и так все было сказано. Но опять же, я могу открыто и честно сказать, что это не бизнес.

Оксана Жиронкина: К вам можно прийти и заказать?

Александр Бухановский: Да. И мы вам много еще чего покажем красивенького.

Андрей Вейхер: Маленький комментарий. Дело в том, что за разными замечаниями мы подошли к очень интересному явлению. Когда есть какое-то предсказание, то, по сути дела, в социальной и природной области мы попадаем в зону, когда тот или иной проект, то или иное явление должно быть смоделировано «на выживание». И это самое сложное. Примеры, связанные с усовершенствованием, изменением ситуации с транспортом в Ленинградской области, привели к тому, что в 1982 году (это сейчас опубликовано) небольшая группа из 40 человек по инициативе Андрея Николаевича Алексеева строила прогноз, когда изменится советская власть, когда она рухнет. В сроках мы ошиблись – ждали только к концу века, а получилось через восемь лет. Андрея Николаевича пытались… Слух о прогнозе прошел, но времена изменились, и никого не съели. Но при этом речь шла именно о терминах взаимодействия социальных групп. Меня очень интересует в вашем подходе то, что вы скоро выйдете на современное представление о меняющихся популяциях как агентах того, кто действует. Самое сложное сейчас это то, что люди объединяются по разным основаниям. Заявление о том, что у нас исчезает партийная система как бессмысленная во всем мире, заключается в том, что устойчивых долговременных политических союзов больше продолжительности жизни человека, похоже, больше не будет никогда. Я, конечно, понимаю, что влезаю немножко в другую область. Это общее обществоведческое соображение. То же самое в городе. Мы наблюдаем комбинации новых интересов, которые ломают наши представления о еще недавних вещах. Вы показывали перемещение людей по Васильевскому острову – мы работали над этим непосредственно. Модели поведения людей вытекают из множества интересов, и эти переломы самые сложные. Но более линейные прогнозы – явлений – это именно выживание в его эволюционном понимании, не в физическом, а в эволюционном. Если бы сейчас удалось подняться с помощью… Это описывает прогноз поведение групп, когда эксперт представляет группу: как ему кажется, он будет себя вести. И никакой единой воли, к сожалению, не получается. По отдельному проекту это возможно, но по крупным проектам, к сожалению, никакая воля оказывается неспособна, если она встретит новую комбинацию сопротивления. Это, наверное, самое любопытное, что позволяет нам (мне, по крайней мере) интересоваться, кроме механизмов, что от вас к нам возвращаются магистранты, которые у вас заканчивали бакалавриат хорошего и интересного качества по урбанистике у вас недавно – ушли из менеджмента и стали урбанистами, а потом вернулись к нам преподавать… Это как раз и говорит, что коллектив работает – очень интересно, действительно, объединить некоторые усилия. По крайней мере, задавать ему вопросы и может быть чаще, чем один раз. Спасибо громадное «Контексту», что он позволяет такие вещи задумывать.

Оксана Жиронкина: Спасибо. Я все-таки спрошу еще, есть ли комментарии и вопросы?.. Доклад был таким исчерпывающим, что в общем все понятно. Тогда заключительное слово вам. Я так понимаю, что главное сомнение было в том, что оценить смысл и возможности моделирования суперкомпьютеров, если это применимо к природным явлениям, связанным с идеями, еще чем-то, а когда это связано с решениями человека, то тут уже возникают сомнения. Может быть, вы как-то вдохновите.

Александр Бухановский: Коллеги, я даже не знаю, как сделать так, чтобы все вдохновились по одной причине – я не вижу причин для расстройства. Дело в том, что компьютер – супер он или не супер – это, уже было сказано, железяка. Модель у нас тяжелая, а когда мы переходим с уровня макропараметров на уровень микропараметров и доходим до идеи, там всегда тяжелые модели. Города большие, модели тяжелые. Все равно деваться некуда. Сейчас, через какое-то время многие персоналки как суперкомпьютер прошлого работают, все равно к этому делу так или иначе люди придут. Потому говорить о том, что нужно или не нужно учиться работать с техническими устройствами, мне кажется, что вопрос не требует такого уж одобрения и признания. Что касается моделей, то здесь, наверное, тоже, я бы сказал, что все равно модель – это порождение усилий как минимум двух категорий людей. Это эксперты в предметной области и специалисты в области, собственно, моделирования, которые могут переложить это на математический язык, а дальше уже – на исполнимую форму. И в этой ситуации мы можем решить данную задачу только вдвоем. Вместе, без установления какой-то экстраподчиненности. Мы – главные, а вы – второстепенные или наоборот – это лишнее. Все решается только на равных началах. Посему, коллеги, надеюсь, что это тоже будет воспринято. Спасибо вам за внимание и поддержку.

[аплодисменты]

похожие события

публикации

<< К списку всех мероприятий

© ZERO B2B Communication © 2008-09
© Смольный институт © 2008-09