Нейроинформатика и ее приложения
Александр Горбань, gorban@cc.krascience.rssi.ru

Вычислительный центр СО РАН, Красноярск-36

Что такое нейронные сети?

Задачи для нейронных сетей

Примеры приложений

Истинные преимущества нейронных сетей?

Каждый, кто впервые знакомится с нейронными сетями, задает себе вопрос: что такое нейроинформатика? Ответить на него можно по-разному. Можно сказать, что нейроинформатика это способ решения всевозможных задач с помощью искусственных нейронных сетей, реализованных на компьютере. Такой ответ, объясняющий только внутреннюю сущность нейроинформатики, почти никого не удовлетворяет, даже если подробно рассказывать о нейронных сетях, задачах и способах их решения. На самом деле требуется еще определить место нейроинформатики среди других способов решения задач и разобраться, в чем же истинные преимущества нейронных сетей, если таковые существуют?
Безусловно, те же самые задачи можно решать и другими способами?
Нейросетевые методы далеко не всегда эффективнее традиционных. К тому же, многие нейросетевые методы это просто новая редакция известных математических подходов.
Почему же тогда многие предпочитают нейросети? Одни чтобы заработать на модной новинке, другие чтобы поиграть в новую интеллектуальную игрушку, не отстать от моды попробовать новую технологию и так далее.
Так в чем же реальные преимущества нейронных сетей? Чтобы ответить на этот вопрос, во-первых, обратимся к десятилетнему опыту применения данной технологии красноярской группой НейроКомп, а во-вторых, попытаемся разгадать логику мирового нейросетевого «бума».

Что такое нейронные сети?
Термин «искусственные нейронные сети» у многих ассоциируется с фантазиями об андроидах и бунте роботов, о машинах, заменяющих и имитирующих человека.
Это впечатление усиливают многие разработчики нейросистем, рассуждая о том, как в недалеком будущем, роботы начнут осваивать различные виды деятельности, просто наблюдая за человеком.
Если переключиться на уровень повседневной работы, то нейронные сети это всего-навсего сети, состоящие из связанных между собой простых элементов формальных нейронов. Большая часть работ по нейроинформатике посвящена переносу различных алгоритмов решения задач на такие сети.
В основу концепции положена идея о том, что нейроны можно моделировать довольно простыми автоматами, а вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. Каждая связь представляется как совсем простой элемент, служащий для передачи сигнала. Коротко эту мысль можно выразить так: «структура связей все, свойства элементов ничто».
Совокупность идей и научно-техническое направление, определяемое описанным представлением о мозге, называется коннекционизмом (connection связь). С реальным мозгом все это соотносится примерно так же, как карикатура или шарж со своим прототипом. Важно не буквальное соответствие оригиналу, а продуктивность технической идеи.
С коннекционизмом тесно связан следующий блок идей: однородность системы (элементы одинаковы и чрезвычайно просты, все определяется структурой связей); надежные системы из ненадежных элементов и «аналоговый ренессанс» использование простых аналоговых элементов;
«голографические» системы при разрушении случайно выбранной части система сохраняет свои свойства.
Предполагается, что широкие возможности систем связей компенсируют бедность выбора элементов, их ненадежность и возможные разрушения части связей.
Для описания алгоритмов и устройств в нейроинформатике выработана специальная «схемотехника», в которой элементарные устройства (сумматоры, синапсы, нейроны и т.п.) объединяются в сети, предназначенные для решения задач. Для многих начинающих кажется неожиданным, что ни в аппаратной реализации нейронных сетей, ни в профессиональном программном обеспечении эти элементы вовсе не обязательно реализуются как отдельные части или блоки. Используемая в нейроинформатике идеальная схемотехника представляет собой особый язык описания нейронных сетей и их обучения. При программной и аппаратной реализации выполненные на этом языке описания переводятся на более подходящие языки другого уровня.
Самый важный элемент нейросистем адаптивный сумматор, который вычисляет скалярное произведение вектора входного сигнала x на вектор параметров a.
Адаптивным он называется из-за наличия вектора настраиваемых параметров a.
Нелинейный преобразователь сигнала получает скалярный входной сигнал x и переводит его в заданную нелинейную функцию f(x).
Точка ветвления служит для рассылки одного сигнала по нескольким адресам.
Она получает скалярный входной сигнал x и передает его на все свои выходы.
Стандартный формальный нейрон состоит из входного сумматора, нелинейного преобразователя и точки ветвления на выходе.
Линейная связь синапс отдельно от сумматоров не встречается, однако для некоторых рассуждений бывает удобно выделить этот элемент. Он умножает входной сигнал x на «вес синапса» a.
Итак, мы коротко описали основные элементы, из которых состоят нейронные сети. Перейдем теперь к вопросу о формировании этих сетей. Строго говоря, их можно строить как угодно, лишь бы входы получали какие-нибудь сигналы.
Обычно используется несколько стандартных архитектур, из которых путем вырезания лишнего или (реже) добавления строят большинство используемых сетей. Для начала следует определить, как будет согласована работа различных нейронов во времени. Как только в системе появляется более одного элемента, встает вопрос о синхронизации функционирования. Для обычных программных имитаторов нейронных сетей на цифровых ЭВМ этот вопрос не актуален только из-за свойств основного компьютера, на котором реализуются нейронные сети. Для других способов реализации он весьма важен. Мы же будем рассматривать только те нейронные сети, которые синхронно функционируют в дискретные моменты времени: все нейроны срабатывают «разом».
В зоопарке нейронных сетей можно выделить две базовых архитектуры слоистые и полносвязные сети.
Слоистые сети. Здесь нейроны расположены в несколько слоев. Нейроны первого слоя получают входные сигналы, преобразуют их и через точки ветвления передают нейронам второго слоя. Далее срабатывает второй слой и т.д. до слоя k, который выдает выходные сигналы для интерпретатора и пользователя.
Если противное не оговорено, то каждый выходной сигнал слоя i подается на вход всех нейронов слоя i+1. Число нейронов в каждом слое может быть любым и никак заранее не связано с количеством нейронов в других слоях.
Стандартный способ подачи входных сигналов: все нейроны первого слоя получают каждый входной сигнал. Особенно широко распространены трехслойные сети, в которых каждый слой имеет свое наименование: первый входной, второй скрытый, третий выходной.
Полносвязные сети. Здесь каждый нейрон передает свой выходной сигнал остальным нейронам, включая самого себя. Выходными сигналами сети могут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети. Все входные сигналы подаются всем нейронам.
Элементы слоистых и полносвязных сетей могут выбираться по-разному.
Существует, впрочем, стандартный выбор: нейрон с адаптивным неоднородным линейным сумматором на входе.
Для полносвязной сети входной сумматор нейрона фактически распадается на два: первый вычисляет линейную функцию от входных сигналов сети, второй линейную функцию от выходных сигналов других нейронов, полученных на предыдущем шаге.
Функция активации нейронов (характеристическая функция) это нелинейный преобразователь выходного сигнала сумматора. Если функция одна для всех нейронов сети, то сеть называют однородной (гомогенной). Если же характеристическая функция зависит еще от одного или нескольких параметров, значения которых меняются от нейрона к нейрону, то сеть называют неоднородной (гетерогенной).
Составлять сеть из нейронов стандартного вида не обязательно. Слоистая или полносвязная архитектуры не налагают существенных ограничений на участвующие в них элементы. Единственное жесткое требование, предъявляемое архитектурой к элементам сети, это соответствие размерности вектора входных сигналов элемента (она определяется архитектурой) числу его входов. Если полносвязная сеть функционирует до получения ответа заданное число тактов k, то ее можно представить как частный случай k-слойной сети, все слои которой одинаковы и каждый из них соответствует такту функционирования полносвязной сети.
Существенное различие между полносвязной и слоистой сетями становится очевидным, когда число тактов функционирования заранее не ограничено слоистая сеть так работать не может.
Доказаны теоремы о полноте: для любой непрерывной функции нескольких переменных можно построить нейронную сеть, которая вычисляет эту функцию с любой заданной точностью. Так что нейронные сети в каком-то смысле могут все.

Задачи для нейронных сетей
Многие задачи, для решения которых используются нейронные сети, могут рассматриваться как частные случаи следующих основных проблем: построение функции по конечному набору значений; оптимизация; построение отношений на множестве объектов; распределенный поиск информации и ассоциативная память; фильтрация; сжатие информации; идентификация динамических систем и управление ими; нейросетевая реализация классических задач и алгоритмов вычислительной математики: решение систем линейных уравнений, решение задач математической физики сеточными методами и др.
Однозначно построить функцию (обычно многих действительных переменных) по конечному набору значений невозможно без специальных дополнительных условий. В качестве таких условий в классических подходах используются требования минимизации некоторых регуляризирующих функционалов, например, интеграла суммы квадратов вторых производных требование максимальной гладкости. При этом известные в конечном множестве точек значения функции превращаются в набор ограничений, при которых находится минимум функционала.
С помощью нейронных сетей строится, естественно, нейросетевая реализация функции: создается нейронная сеть, которая, получая на входе вектор аргументов, выдает на выходе значение функции. Обычно предполагается, что любая типичная нейросетевая реализация подойдет для решения задачи. При необходимости вместо требования максимальной гладкости минимизируют число слоев, количество нейронов и/или число связей, а также вводят условие
«максимально пологой» функции активации нейронов.
Построить функцию по конечному набору значений обычно требуется при решении одной из самых актуальных для пользователей и аналитиков задач: заполнение пропусков в таблицах. Пусть, как обычно, каждая строка таблицы данных соответствует какому-либо объекту, а в строках указаны значения признаков
(свойства) соответствующих объектов. В подавляющем большинстве случаев данные неполны: по крайней мере, для части объектов неизвестны значения некоторых признаков. Необходимо как-то восстановить пропущенные значения.
Достоверная статистическая оценка должна давать для отсутствующих данных их условное математическое ожидание (условия известные значения других признаков) и характеристику разброса доверительный интервал. Это, однако, требует либо непомерно большого объема известных данных, либо очень сильных предположений о виде функций распределения. Приходится вместо статистически достоверных уравнений регрессии использовать правдоподобные нейросетевые реализации.
Термин «правдоподобные» взят нами из книги Дж. Пойя «Математика и правдоподобные рассуждения». Любая, даже самая строгая математическая конструкция сначала создается всего лишь как правдоподобная гипотеза.
Правдоподобными мы называем те выводы, которые еще не прошли испытания на достоверность и строгость, однако именно так совершаются открытия. Кроме того, напомним, что утверждения о статистической достоверности базируются на весьма ограничительных гипотезах о статистической природе эмпирического материала (согласно этой природе данные представляют собой результаты независимых статистических испытаний выбора из фиксированной генеральной совокупности).
Задача классификации также может рассматриваться как задача заполнения пропусков в таблицах: для каждого класса в таблице есть поле, в котором указывается, принадлежит объект данному классу или нет. В эти поля могут помещаться численные значения, например, 1, если объект принадлежит классу, и 0 (или -1) в противном случае.
При обучении классификации с учителем для части объектов, составляющих обучающую выборку, известно, каким классам они принадлежат. Требуется построить нейронную сеть, которая по признакам объекта (записанным в других полях таблицы) определяла бы, к какому классу он принадлежит, т. е. заполняла бы соответствующие поля.
Построение отношений на множестве объектов одна из загадочных и открытых для творчества самых перспективных областей применения искусственного интеллекта. Первый и самый распространенный пример этой задачи классификация без учителя. Допустим, задан набор объектов, причем каждому объекту сопоставлен вектор значений признаков (строка таблицы). Требуется разбить эти объекты на классы эквивалентности. Зачем нужно строить отношения эквивалентности между объектами? В первую очередь для фиксации знаний. Мы накапливаем знания о классах объектов это практика многих тысячелетий, зафиксированная в языке: знание относится к имени класса
(пример стандартной древней формы: «люди смертны», «люди» имя класса). В результате классификации появляются новые имена и правила их присвоения.
Для каждого нового объекта мы должны сделать две вещи:

1. найти класс, к которому он принадлежит;

2. использовать новую информацию, полученную об этом объекте, для исправления (коррекции) правил классификации.
Какую форму могут иметь правила отнесения к классу? Традиционно класс представляют его «типичные», «средние», и т.п. элементы. Такой типичный объект является идеальной конструкцией, олицетворяющей класс. Объект относят к какому-либо классу в результате сравнения с типичными элементами разных классов и выбора ближайшего. Правила, использующие типичные объекты, очень популярны и служат основой для нейросетевой классификации без учителя.
Нейросети сегодня широко используются для решения классической проблемы производства (раскопок) знаний из накопленных данных. Обучаемые нейронные сети могут производить из данных скрытые знания: создается навык предсказания, классификации, распознавания образов и т.п., но его логическая структура обычно остается скрытой от пользователя. Для проявления (контрастирования) этой скрытой логической структуры нейронные сети приводятся к специальному «логически прозрачному» разреженному виду.
Сама нейронная сеть после удаления лишних связей может рассматриваться как логическая структура, представляющая явные знания.
Технология получения явных знаний из данных с помощью обучаемых нейронных сетей выглядит довольно просто и вроде бы не вызывает затруднений. Ее реализация включает несколько этапов.
Первый этап: обучаем нейронную сеть решать базовую задачу (обычно это распознавание или предсказание). В большинстве случаев ее можно трактовать как задачу восполнения пробелов в данных. Такими пробелами могут быть имя образа при распознавании, номер класса, результат прогноза и т. д.
Второй этап: исключая наименее значимые связи (и доучивая сети чаще всего, неоднократно), приводим нейронную сеть к логически прозрачному виду так, чтобы полученный навык можно было «прочитать».
Конечный результат неоднозначен если стартовать с другой начальной карты связей, то можно получить другую логически прозрачную структуру. Каждой базе данных отвечает несколько вариантов явных знаний. Можно считать это недостатком технологии, но я полагаю, что, наоборот, технология, дающая единственный вариант явных знаний, недостоверна, а множественность результатов является фундаментальным свойством производства явных знаний из данных.
Простой пример: нейронная сеть обучалась предсказывать результаты выборов президента США по ряду экономических и политических показателей. Обученные сети были минимизированы по числу входных параметров и связей. Оказалось, что для надежного предсказания исхода выборов в США достаточно знать ответы всего на пять вопросов, приведенных ниже в порядке значимости:

1. Была ли серьезная конкуренция при выдвижении от правящей партии?

2. Отмечались ли во время правления существенные социальные волнения?

3. Был ли год выборов временем спада или депрессии?

4. Произвел ли правящий президент значительные изменения в политике?

5. Была ли в год выборов активна третья партия?
От использования остальных признаков нейросеть отказалась. Более того, эти пять «симптомов» политической ситуации в стране входят в распознающее правило двумя «синдромами». Пусть ответы на вопросы кодируются числами: +1
«да» и -1 «нет». Первый синдром есть сумма ответов на вопросы 1, 2, 5. Его естественно назвать синдромом политической нестабильности (конкуренция в своей партии плюс социальные волнения плюс дополнительная оппозиция). Чем он больше, тем хуже для правящей партии. Второй синдром разность ответов на вопросы 4 и 3 (политическое новаторство минус экономическая депрессия). Его наличие означает, что политическое новаторство может, в принципе, уравновесить в глазах избирателей экономический спад. Результаты выборов определяются соотношением двух чисел значений синдромов. Простая, но достаточно убедительная политологическая теория, чем-то напоминающая концепцию то ли Маккиавелли, то ли Ленина («единство партии прежде всего, оно является важнейшим слагаемым политической стабильности»).
Именно нейросетевая технология производства знаний, по-моему, является
«точкой роста», которая по-новому развернет нейроинформатику, преобразует многие разделы информатики и создаст новые.

Примеры приложений
Насколько мы можем судить по открытой печати, приложения нейронных сетей распределены примерно следующим образом: более 60% рынка занимают финансовые и военно-технические приложения; медицинские приложения тоже находятся на весьма почетном месте около 10%.
Большинство приложений, созданных красноярской группой «НейроКомп» связано с решением задач классификации. Работы ведутся в нескольких направлениях: медицинская диагностика, проблемы психологической совместимости, педагогика и социология. Кроме того, наше программное обеспечение использовалось другими исследователями для предсказания колебаний уровня Каспийского моря и прогноза климатических изменений, а также для решения задач технической диагностики, космической навигации и др. Наши сети обучаются методами, основанными на минимизации ошибки. Все они подробно описаны в работе .
Основные пользовательские преимущества нейросетевого ПО перед другими системами его «демократичность» (врачи практически самостоятельно создавали себе экспертные системы) и универсальность, способность справиться с большим спектром задач. Кроме того, нейроимитаторы с успехом могут использоваться и в медицинских исследованиях.
Вот несколько характерных примеров построенных систем.
Пример 1. Измерение накопленной дозы радиоактивного облучения
Даже небольшая величина накопленной дозы радиоактивного облучения заметно влияет на состояние многих органов и систем организма, прежде всего, иммунной и эндокринной. Традиционные методы позволяют достаточно точно оценить состояние этих систем, однако часто бывает трудно установить, чем вызвано изменение их параметров: повышенной дозой облучения или самостоятельным заболеванием.
Исследователи стремились выявить связи между накопленной дозой радиоактивного облучения и комплексом иммуннологических, гормональных и биохимических параметров крови человека, создать метод, позволяющий по этим параметрам судить о величине дозы. Для этого был применен нейросетевой классификатор. Обучающими примерами являлись перечисленные параметры (всего
35) у полутора сотен человек, занятых в производстве на предприятии атомной промышленности.
Среди обследуемых был проведен дозиметрический контроль, и по величине накопленной дозы они были разделены на 3 класса. 4-й класс составили люди, величина дозы у которых была в пределах естественных фоновых значений.
При статистическом анализе обучающей выборки по большинству параметров не выявлялось достоверных различий между классами, а имеющиеся различия не прослеживались по всем классам. Однако нейросеть, используя весь комплекс параметров, полностью обучилась распознавать класс каждого примера. При тестировании на выборке с заранее известными ответами класс определялся правильно в 100% случаев. Обученной сетью были протестированы 140 человек, проживающих в зоне влияния предприятия атомной промышленности, но не занятых на производстве.
По данным нейросети только у 3 человек величина накопленной дозы была в пределах естественного фона; у 51 человека определялась слабая доза, у 82 средняя, и у 4 человек сильная.
Пример 2. Ранняя диагностика злокачественных опухолей сосудистой оболочки глаза
Меланомы сосудистой оболочки глаза составляют 88% всех внутриглазных опухолей, но их можно распознать лишь на поздней стадии развития.
Традиционные методы выявления заболевания на ранней стадии не вполне надежны, довольно сложны и дорогостоящи.
Предлагаемый способ ранней диагностики меланом хориоидеи включает применение нового лабораторного метода, разработанного в Красноярском межобластном офтальмологическом центре им. Макарова, и интерпретацию получаемых данных нейросетевым классификатором.
Лабораторный метод основан на косвенном измерении содержания пигмента
(меланина) в ресницах. Полученные данные спектрофотометрии, проведенной на нескольких частотах для каждого глаза, а также некоторые общие характеристики обследуемого (пол, возраст и др.), подаются на входные синапсы 43-нейронного классификатора. Нейросеть решает, имеется ли у пациента опухоль, и если да, то определяет стадию развития заболевания, выдавая при этом процентную вероятность своей уверенности. Даже при подозрении на наличие опухоли больной может быть направлен на дальнейшее углубленное обследование. Таким образом, данная технология может использоваться для скрининговых профилактических обследований населения.
Стартовое обучение нейросетевого классификатора было проведено на параметрах 195 обследованных людей с ранними и поздними стадиями опухолей, а также не имеющих опухоли. Нейроклассификатор обладает способностью дальнейшего накопления опыта по мере использования.
Пример 3. Новая классификация иммунодефицитов
Если хорошей предсказывающей или диагностической системы построить не удается, возникает предположение о «скрытых параметрах», неучтенных и неизмеренных свойствах. Наблюдаемые параметры зависят от них, поэтому и не удается построить хорошей зависимости.
Одна из простейших форм предположения о скрытых параметрах гипотеза о качественной неоднородности выборки. Она означает, что скрытые параметры принимают сравнительно небольшое конечное число значений и всю выборку можно разбить на классы, внутри которых существенные скрытые параметры постоянны.
Достаточно большая нейронная сеть может освоить любую непротиворечивую обучающую выборку, однако, как показывает практика, если достаточно малая нейронная сеть не может обучиться, то из этого можно извлечь полезную информацию. Если не удается построить удовлетворительную регрессионную зависимость при заданном (небольшом) числе нейронов и фиксированной характеристике («крутизне» функции активации) каждого нейрона, то из обучающей выборки исключаются наиболее сложные примеры до тех пор, пока сеть не обучится. Так получается класс, который предположительно соответствует одному значению скрытых параметров. Далее обучение можно продолжить на отброшенных примерах и т.д.
В одном из исследований нейросеть обучали диагностике вторичного иммунодефицита (недостаточности иммунной системы) по иммунологическим и метаболическим параметрам лимфоцитов. В обычных условиях по сдвигам этих параметров иногда бывает трудно сделать верное заключение (и это хорошо известная в иммунологии проблема). Были обследованы здоровые и больные люди, параметры которых использовались для обучения. Однако малая нейросеть не обучалась, причем хорошо распознавала все до единого примеры здоровых людей, а часть примеров больных путала со здоровыми. Тогда был сделан следующий шаг: каждый раз, когда сеть останавливала работу, из обучающей выборки убирался пример, на данный момент самый трудный для распознавания, и после этого вновь запускался процесс обучения.
Постепенно из обучающей выборки были исключена примерно треть больных (при этом ни одного здорового!), и только тогда сеть обучилась полностью. Так как ни один здоровый человек не был исключен из обучения, группа здоровых не изменилась, а группа больных оказалась разделена на 2 подгруппы оставшиеся и исключенные примеры больных.
После проведения статистического анализа выяснилось, что группа здоровых и исходная группа больных практически не отличаются друг от друга по показателям метаболизма лимфоцитов. Однако две подгруппы больных статистически достоверно отличаются от здоровых людей и друг от друга по нескольким показателям внутриклеточного метаболизма лимфоцитов. Причем в одной подгруппе наблюдалось увеличение активности большинства лимфоцитарных ферментов по сравнению со здоровыми, а в другой подгруппе депрессия
(снижение активности). Для этих подгрупп и прогноз течения болезни, и лечение различны.

Истинные преимущества нейронных сетей?
Нейронные сети нынче в моде, но стоит ли следовать за ней? Ресурсы ограничены особенно у нас и особенно теперь. Так что же такое
Нейрокомпьютер интеллектуальная игрушка или новая техническая революция?
Что нового и полезного может сделать нейрокомпьютер? Очевидно, что на новые игрушки, даже высокоинтеллектуальные, средств нет; нейрокомпьютер должен еще доказать свои необыкновенные возможности совершить то, что не под силу обычной ЭВМ, иначе на него не стоит тратиться.
У энтузиастов имеются свои рекламные способы отвечать на заданные вопросы, рисуя радужные горизонты. Но все это в будущем. А сейчас? Ответы парадоксальны: нейрокомпьютеры это новая техническая революция, которая приходит к нам в виде интеллектуальной игрушки (вспомните, и ПК были придуманы для игры); для любой задачи, которую способен решить нейрокомпьютер, можно построить специализированную ЭВМ, которая решит ее не хуже, а подчас даже лучше.
Зачем же тогда нейрокомпьютеры? Вступая в творческую игру, мы не можем знать, чем она кончится, иначе это не Игра. Поэзия и реклама дают нам фантом, призрак результата, погоня за которым важнейшая часть игры. Столь же призрачными могут оказаться и прозаические ответы игра может далеко от них увести. Но и они необходимы иллюзия практичности столь же важна, сколь и иллюзия величия. Вот несколько вариантов прозаических ответов на вопрос
«зачем?».
А. Нейрокомпьютеры дают стандартный способ решения многих нестандартных задач. И неважно, что специализированная машина лучше решит один класс задач. Важнее, что один нейрокомпьютер решит и эту задачу, и другую, и третью и не надо каждый раз проектировать специализированную ЭВМ, нейрокомпьютер сделает все сам и почти не хуже.
Б. Вместо программирования обучение. Нейрокомпьютер учится нужно только формировать учебные задачники. Труд программиста замещается новым трудом учителя (может быть, лучше сказать тренера или дрессировщика). Лучше это или хуже? Ни то, ни другое. Программист предписывает машине все детали работы, учитель создает «образовательную среду», к которой приспосабливается нейрокомпьютер. Появляются новые возможности для работы.
В. Нейрокомпьютеры особенно эффективны там, где нужен аналог человеческой интуиции для распознавания образов (узнавания лиц, чтения рукописных текстов), подготовки аналитических прогнозов, перевода с одного естественного языка на другой и т.п. Именно для таких задач обычно трудно сочинить явный алгоритм.
Г. Нейронные сети позволяют создать эффективное программное обеспечение для компьютеров с высокой степенью распараллеливания обработки. Проблема эффективного использования параллельных системы хорошо известна многим. Как добиться того, чтобы все элементы одновременно и без лишнего дублирования делали что-то полезное? Создавая математическое обеспечения на базе нейронных сетей, можно для широкого класса задач решить эту проблему.
Д. Нейросетевые системы «демократичны», они также дружественны, как текстовые процессоры, поэтому с ними может работать любой, даже совсем неопытный пользователь.
Все это вместе служит рациональным основанием для нейрокомпьютерной моды.
Литература

А.Горбань, Д. Россиев. Нейронные сети на персональном компьютере.
//Новосибирск: Наука, 1996.

Характеристики процессора и внутренней памяти компьютера (быстродействие, разрядность, объем памяти и др.)

А.П.Шестаков

Необычайно быстрое развитие вычислительной техники приводит к тому, что одновременно в употреблении находится большое количество компьютеров с достаточно разнообразными характеристиками. Поэтому очень полезно знать, каковы основные характеристики узлов компьютера, на что они влияют и как их подбирать. Здесь будут рассмотрены параметры наиболее важных устройств компьютера, таких как процессор и внутренняя память.

Начнем с процессора. Очевидно, что пользователя в первую очередь интересует его производительность, т.е. скорость выполнения предложенной процессору задачи. Традиционно быстродействие процессора измерялось путем определения количества операций в единицу времени, как правило, в секунду. До тех пор, пока машины выполняли только вычисления, такой показатель был достаточно удобен. Однако по мере развития вычислительной техники количество видов обрабатываемой информации возрастало, и обсуждаемый показатель перестал быть универсальным. В самом деле, в простейшем случае даже количество арифметических действий над целыми и над вещественными числами может для одного и того же компьютера отличаться на порядок! Что говорить о скорости обработки графической или видео информации, которые к тому же зависят не только от самого процессора, но и от устройства видеоблоков компьютера… Кроме того, современные процессоры, например, Pentium, имеют очень сложное внутренне устройство и могут выполнять машинные команды параллельно. Иными словами, процессор может одновременно выполнять несколько разных инструкций, а значит, время завершения команды уже зависит не только от нее самой, но и от «соседних» операций! Таким образом, количество выполняемых за секунду операций перестает быть постоянным и выбирать его в качестве характеристики процессора не очень удобно.

Именно поэтому сейчас получила широкое распространение другая характеристика скорости работы процессора – его тактовая частота. Рассмотрим данную величину подробнее. Любая операция процессора (машинная команда) состоит из отдельных элементарных действий – тактов. Для организации последовательного выполнения требуемых тактов друг за другом, в компьютере имеется специальный генератор импульсов, каждый из которых инициирует очередной такт машинной команды (какой именно, определяется устройством процессора и логикой выполняемой операции). Очевидно, что чем чаще следуют импульсы от генератора, тем быстрее будет выполнена операция, состоящая из фиксированного числа тактов. Из сказанного следует, что тактовая частота определяется количеством импульсов в секунду и измеряется в мегагерцах – т.е. миллионах импульсов за 1 сек. Разумеется, тактовая частота не может быть произвольно высокой, поскольку в какой-то момент процессор может просто «не успеть» выполнить очередной такт до прихода следующего импульса. Однако инженеры делают все возможное для повышения значения этой характеристики процессора, и на данный момент тактовая частота самых современных процессоров уже превышает 1000 МГц, т.е. 1 ГГц (1 гигагерц).

Следует четко представлять, что сравнение тактовых частот позволяет надежно определить, какой из двух процессоров более быстродействующий только в том случае, если оба процессора устроены примерно одинаково. Если же попытаться сравнить процессоры, произведенные разными изготовителями и работающие по разным принципам, можно получить абсолютно неправильные выводы. В самом деле, если в одном из процессоров команда выполняется за 2 такта, а в другом – за 3, то при совершенно одинаковой частоте первый будет работать в полтора раза быстрее! Кроме того, не нужно забывать, что производительность современной компьютерной системы определяется не только быстродействием отдельно взятого процессора, но и скоростями работы остальных узлов компьютера и даже способами организации всей системы в целом: очевидно, что чрезмерно быстрый процессор будет вынужден постоянно простаивать, ожидая, например, медленно работающую память; или другой пример – очень часто простое увеличение объема ОЗУ дает гораздо больший эффект, чем замена процессора на более быстрый.

Косвенно скорость обработки информации зависит и еще от одного параметра процессора – его разрядности. Под разрядностью обычно понимают число одновременно обрабатываемых процессором битов. Формально эта величина есть количество двоичных разрядов в регистрах процессора и для современных моделей она равна 32. Тем не менее, все не так просто. Дело в том, что помимо описанной «внутренней» разрядности процессора существует еще разрядность шины данных, которой он управляет, и разрядность шины адреса. Эти характеристики далеко не всегда совпадают (данные для таблицы взяты из книги М.Гука «Процессоры Intel: от 8086 до Pentium II». – СПб.: Питер, 1997):

Мы не будем обсуждать технические причины, по которым эти три разрядности могут различаться между собой, ибо причины эти сейчас представляют в основном исторический интерес. Отметим только, что разрядность регистров и разрядность шины данных влияют на длину обрабатываемых данных, а вот разрядность шины адреса R определяет максимальный объем памяти, который способен поддерживать процессор. Эту характеристику часто называют величиной адресного пространства, и она может быть вычислена по простой формуле 2R. Действительно, R двоичных разрядов позволяют получить именно такое количество неповторяющихся чисел, т.е. в данном случае адресов памяти.

Перейдем теперь к описанию основных характеристик памяти компьютера.

Хотя память компьютера состоит из отдельных битов, непосредственно «общаться» с каждым из них невозможно: биты группируются в более крупные блоки информации и именно они получают адреса, по которым происходит обращение к памяти. По сложившейся исторической традиции минимальная порция информации, которую современный компьютер способен записать в память составляет 8 бит или 1 байт. Отсюда становится очевидным, что общий объем памяти должен измеряться в байтах, или в производных от него единицах. Размер памяти персональных компьютеров стремительно возрастает. Первые модели имели 16-разрядное адресное пространство и, следовательно, объем памяти 216 = 64 Кбайта. Затем, когда памяти под разрабатываемые программные системы перестало хватать, инженеры введением некоторых весьма специфических способов формирования адреса увеличили ее размер на порядок – в MS DOS стандартная память была принята равной 640 Кбайт. Сейчас вы вряд ли сможете приобрести новый компьютер с ОЗУ менее 32-64 Мбайт, т.е. еще на два порядка больше (надеюсь, читатели не забыли, что 1 Мб = 1024 Кбайта).

Еще одной важной характеристикой памяти является время доступа или быстродействие памяти. Этот параметр определяется временем выполнения операций записи или считывания данных; он зависит от принципа действия и технологии изготовления запоминающих элементов.

Оставляя в стороне целый ряд других технологических характеристик современных запоминающих устройств, нельзя, тем не менее, пройти мимо статического и динамического устройства микросхем памяти. Статическая ячейка памяти – это специальная полупроводниковая схема (инженеры называют ее триггер), обладающая двумя устойчивыми состояниями. Одно из них принимается за логический ноль, а другое – за единицу. Состояния эти действительно настолько устойчивы, что при отсутствии внешних воздействий (и, конечно, подключенном напряжения питания!) могут сохраняться сколь угодно долго. Динамические ячейки памяти, напротив, не обладают этим свойством. Такие ячейки фактически представляют собой конденсатор, образованный элементами полупроводниковых микросхем. С некоторым упрощением можно сказать, что логической единице соответствует заряженный конденсатор, а нулю – незаряженный. Существенным свойством динамической ячейки памяти является наличие постепенного самопроизвольного разряда конденсатора через внешние схемы, что ведет к потере информации. Чтобы этого не происходило, конденсаторы динамической памяти необходимо периодически подзаряжать (такой процесс принято называть регенерацией ОЗУ). Оба вида запоминающих микросхем успешно конкурируют между собой, поскольку ни одна из них не является идеальной. С одной стороны, статическая память значительно проще в эксплуатации, т.к. не требует регенерации, и приближается по быстродействию к процессорным микросхемам. С другой стороны, она имеет меньший информационный объем и большую стоимость (в самом деле, изготовление конденсатора значительно проще, чем триггерной схемы и требует на кремниевой пластине гораздо меньше места), сильнее нагревается при работе. На практике в данный момент выбор микросхем для построения ОЗУ всегда решается в пользу динамической памяти. И все же быстродействующая статическая память в современном компьютере тоже обязательно есть: она называется кэш-памятью.

Этот вид памяти заслуживает отдельного рассмотрения. Он появился относительно недавно, но, начиная с 486 процессора, без кэш-памяти не обходится ни одна модель. Название кэш происходит от английского слова «cache», которое обозначает тайник или замаскированный склад (в частности, этим словом называют провиант, оставленный экспедицией для обратного пути или запас продуктов, например, зерна или меда, который животные создают на зиму). «Секретность» кэш заключается в том, что он невидим для пользователя и данные, хранящиеся там, недоступны для прикладного программного обеспечения. Процессор использует кэш исключительно самостоятельно, помещая туда извлеченные им из ОЗУ данные и команды программы и запоминая при этом в специальном каталоге адреса, откуда информация была извлечена. Если эти данные потребуются повторно, то уже не надо будет терять время на обращение к ОЗУ – их можно получить из кэш-памяти значительно быстрее. Поскольку объем кэш существенно меньше объема оперативной памяти, его контроллер (управляющая схема) тщательно следит за тем, какие данные следует сохранять в кэш, а какие заменять: удаляется та информация, которая используется реже или совсем не используется. Следует заметить, что кэш-память является очень эффективным средством повышения производительности компьютера, в чем легко убедиться на практике, если в вашем компьютере предусмотрена возможность отключения кэш.

В современных компьютерах кэш обычно строится по двухуровневой схеме. При этом первичный кэш встроен непосредственно внутрь процессора, а вторичный обычно устанавливается на системной плате. Как и для ОЗУ, увеличение объема кэш повышает эффективность работы компьютерной системы.

Список литературы

Информатика в понятиях и терминах: Кн. для учащихся ст. классов сред. шк./ Г.А. Бордовский, В.А. Извозчиков, Ю.В. Исаев, В.В. Морозов; Под ред. В.А. Извозчикова. — М.: Просвещение, 1991. — 208 с.

Радченко Н.П., Козлов О.А. Школьная информатика: экзаменационные вопросы и ответы. — М.: Финансы и статистика, 1998. — 160 с.

Семакин И., Залогова Л., Русаков С., Шестакова Л. Информатика. Учебник по базовому курсу (7-9 классы). М.: Лаборатория Базовых Знаний, 1998. — 464 с.

Кушниренко А.Г. и др. Основы информатики и вычислительной техники: Проб. учеб. для сред. учеб. заведений/ А.Г.Кушниренко, Г.В.Лебедев, Р.А.Сворень. — М.: Просвещение, 1990. — 224 с.

Гук М. Аппаратные средства IBM PC. Энциклопедия. СПб.: Издательство «Питер», 2000. — 816 c.

Дерево — это совокупность элементов, называемых узлами (при этом один из них определен как корень), и отношений (родительский–дочерний), образующих иерархическую структуру узлов. Узлы могут являться величинами любого простого или структурированного типа, за исключением файлового. Узлы, которые не имеют ни одного последующего узла, называются листьями.

В двоичном (бинарном) дереве каждый узел может быть связан не более чем двумя другими узлами. Рекурсивно двоичное дерево определяется так: двоичное дерево бывает либо пустым (не содержит ни одного узла), либо содержит узел, называемый корнем, а также два независимых поддерева — левое поддерево и правое поддерево.

Двоичное дерево поиска может быть либо пустым, либо оно обладает таким свойством, что корневой элемент имеет большее значение узла, чем любой элемент в левом поддереве, и меньшее или равное, чем элементы в правом поддереве. Указанное свойство называется характеристическим свойством двоичного дерева поиска и выполняется для любого узла такого дерева, включая корень. Далее будем рассматривать только двоичные деревья поиска. Такое название двоичные деревья поиска получили по той причине, что скорость поиска в них примерно такая же, что и в отсортированных массивах: O(n) = C • log2n (в худшем случае O(n) = n).

Пример. Для набора данных 9, 44, 0, –7, 10, 6, –12, 45 построить двоичное дерево поиска.

Согласно определению двоичного дерева поиска число 9 помещаем в корень, все значения, меньшие его — на левое поддерево, большие или равные — на правое. В каждом поддереве очередной элемент можно рассматривать как корень и действовать по тому же алгоритму. В итоге получаем

Выделим типовые операции над двоичными деревьями поиска:

добавление элемента в дерево;

удаление элемента из дерева;

обход дерева (для печати элементов и т.д.);

поиск в дереве.

Поскольку определение двоичного дерева рекурсивно, то все указанные типовые операции могут быть реализованы в виде рекурсивных подпрограмм (на практике именно такой вариант чаще всего и применяется). Отметим лишь, что использование рекурсии замедляет работу программы и расходует лишнюю память при её выполнении.

Пусть двоичное дерево поиска описывается следующим типом

Type BT=LongInt; U = ^BinTree; BinTree = Record Inf : BT; L, R : U End;

Покажем два варианта добавления элемента в дерево: итеративный и рекурсивный.

{Итеративный вариант добавления элемента в дерево, Turbo Pascal}

Procedure InsIteration(Var T : U; X : BT);

Var vsp, A : U;

Begin

   New(A); A^.Inf := X; A^.L:=Nil; A^.R := Nil;

   If T=Nil Then T:=A

               Else Begin vsp := T;

                         While vsp Nil Do

                          If A^.Inf < vsp^.Inf

                          Then

                            If vsp^.L=Nil Then Begin vsp^.L:=A; vsp:=A^.L End Else vsp:=vsp^.L

                          Else

              If vsp^.R = Nil Then Begin vsp^.R := A; vsp:=A^.R End Else vsp := vsp^.R;

                      End

End;

{Рекурсивный вариант добавления элемента в дерево, Turbo Pascal}

Procedure InsRec(Var Tree : U; x : BT);

Begin

  If Tree = Nil

  Then Begin  

    New(Tree);

    Tree^.L := Nil;

    Tree^.R := Nil;

    Tree^.Inf := x

End

  Else If x < Tree^.inf

Then InsRec(Tree^.L, x)

Else InsRec(Tree^.R, x)

End;

Аналогично на C++.

typedef long BT;

struct BinTree{

      BT inf;

      BinTree *L; BinTree *R;

    };

/* Итеративный вариант добавления элемента в дерево, C++ */

BinTree* InsIteration(BinTree *T, BT x)

{ BinTree *vsp, *A;

 A = (BinTree *) malloc(sizeof(BinTree));

 A->inf=x; A->L=0; A->R=0;

 if (!T) T=A;

 else {vsp = T;

while (vsp)

{if (A->inf < vsp->inf)

    if (!vsp->L) {vsp->L=A; vsp=A->L;}

    else vsp=vsp->L;

 else

    if (!vsp->R) {vsp->R=A; vsp=A->R;}

    else vsp=vsp->R;

}

}

return T;

}

/* Рекурсивный вариант добавления элемента в дерево, C++ */

BinTree* InsRec(BinTree *Tree, BT x)

{

 if (!Tree) {Tree = (BinTree *) malloc(sizeof(BinTree));

      Tree->inf=x; Tree->L=0; Tree->R=0;

     }

 else if (x < Tree->inf) Tree->L=InsRec(Tree->L, x);

      else Tree->R=InsRec(Tree->R, x);

 return Tree;

}

Существует несколько способов обхода (прохождения) всех узлов дерева. Три наиболее часто используемых из них называются обход в прямом (префиксном) порядке, обход в обратном (постфиксном) порядке и обход во внутреннем порядке (или симметричный обход). Каждый из обходов реализуется с использованием рекурсии.

Ниже приведены подпрограммы печати элементов дерева с использованием обхода двоичного дерева поиска в обратном порядке.

{Turbo Pascal}

Procedure PrintTree(T : U);

begin

    if T Nil

    then begin PrintTree(T^.L); write(T^.inf : 6); PrintTree(T^.R) end;

end;

// C++

void PrintTree(BinTree *T)

{

if (T) {PrintTree(T->L); cout infR);}

}

Реализуем функцию, возвращающую true (1), если элемент присутствует в дереве, и false (0) — в противном случае.

{Turbo Pascal}

function find(Tree : U; x : BT) : boolean;

begin

   if Tree=nil then find := false

               else if Tree^.inf=x then Find := True

                                   else if x < Tree^.inf

                                        then Find := Find(Tree^.L, x)

                                        else Find := Find(Tree^.R, x)

end;

/* C++ */

int Find(BinTree *Tree, BT x)

{ if (!Tree) return 0;

 else if (Tree->inf==x) return 1;

      else if (x < Tree->inf) return Find(Tree->L, x);

    else return Find(Tree->R, x);

}

По сравнению с предыдущими задача удаления узла из дерева реализуется несколько сложнее. Можно выделить два случая удаления элемента x (случай отсутствия элемента в дереве является вырожденным):

1) узел, содержащий элемент x, имеет степень не более 1 (степень узла — число поддеревьев, выходящих из этого узла);

2) узел, содержащий элемент x, имеет степень 2.

Случай 1 не представляет сложности. Предыдущий узел соединяется либо с единственным поддеревом удаляемого узла (если степень удаляемого узла равна 1), либо не будет иметь поддерева совсем (если степень узла равна 0).

Намного сложнее, если удаляемый узел имеет два поддерева. В этом случае нужно заменить удаляемый элемент самым правым элементом из его левого поддерева.

{Turbo Pascal}

function Delete(Tree: U; x: BT) : U;

var P, v : U;

begin

  if (Tree=nil)

  then writeln(‘такого элемента в дереве нет!’)

  else if x < Tree^.inf then Tree^.L := Delete(Tree^.L, x) {случай 1}

                        else

                         if x > Tree^.inf

                         then Tree^.R := Delete(Tree^.R, x) {случай 1}

                         else

                         begin {случай 1}

                          P := Tree;

                          if Tree^.R=nil

                          then Tree:=Tree^.L

                          else if Tree^.L=nil

                               then Tree:=Tree^.R

                               else begin

                                     v := Tree^.L;

                                     while v^.R^.R nil do v:= v^.R;

                                     Tree^.inf := v^.R^.inf;

                                     P := v^.R;

                                     v^.R :=v^.R^.L;

                                    end;

                          dispose(P);

                         end;

Delete := Tree

end;

{C++}

BinTree * Delete(BinTree *Tree, BT x)

{ BinTree* P, *v;

 if (!Tree) cout L = Delete(Tree->L, x);

      else if (x > Tree-> inf) Tree->R = Delete(Tree->R, x);

    else {P = Tree;

   if (!Tree->R) Tree = Tree->L; // случай 1

   else if (!Tree->L) Tree = Tree->R; // случай 1

        else { v = Tree->L;

        while (v->R->R) v = v->R; // случай 2

        Tree->inf = v->R->inf;

        P = v->R; v->R = v->R->L;

      }

   free(P);

  }

return Tree;

}

Примечание. Если элемент повторяется в дереве несколько раз, то удаляется только первое его вхождение.

Контент-анализ

Р.Манекин

Итак теперь Вы имеете некоторое представление о структуре программного обеспечения стандартной ЭВМ, приобрели некоторый навык работы с операционной системой MSDOS, с программой-оболочкой Norton Commander,  Вы также знаете, какие возможности открываются перед пользователем ЭВМ, располагающим текстовыми редакторами Lexicon и Chiwriter.

Иначе говоря, Вы теперь понимаете, как устроена и каким образом работают с памятью ЭВМ, как вызвать из этой памяти ту или иную нужную Вам программу. Все это создает необходимые предпосылки для усвоения следующих разделов настоящего пособия.

Далее речь будет идти о специальных методах компьютерного анализа историко-философских данных. И, в частности, о контент-анализе.

Реализация всех вписанных ниже методов опирается на специальное программное обеспечение. Существует множества специализированных пакетов прикладных программ. Принцип работы некоторых из них описан ниже. Если в Вашем распоряжении есть эти программы — обязательно поработайте с ними! Если нет — не огорчайтесь! Главная Ваша задача — вникнуть в суть описываемых далее методов с тем, чтобы научиться применять их на практике. Точнее, чтобы научиться выбирать тот метод, который в наибольшей степени соответствует поставленной Вами исследовательской задаче, специфике изучаемого Вами материала. Что же касается компьютерной реализации Ваших исследовательских проектов — можете не волноваться: рынок компьютерных технологий достаточно насыщен для того, чтобы Вы, при содействии профессионального программиста сумели найти необходимый Вам пакет прикладных программ, загрузить его в память Вашего компьютера и, опираясь на приобретенные Вами знания о принципах работы операционных систем, программ-оболочек, применить этот пакет в Вашей исследовательской практике. Успеха Вам в этом!

§ 1. Контент-анализ: общая характеристика.

Давайте разберемся, что такое контент-анализ. Это знание Вам, безусловно, пригодится. Контент-анализ, как это можно заключить из названия (от англ.: contens — содержимое, содержание) — это содержательный анализ текстов. Он основан на принципе подсчета грамматических и формализованных категорий.

Контент-анализ находит свое применение там, где существует обширный по объему, внутренне организованный, но не систематизированный текстовой материал, использование которого без предварительной обработки затруднено. Основными идеями, лежащими в основе идеологии контент-анализа, являются восхождение от текста к внетекстовой реальности, под которой понимается социальная (или интеллектуальная) действительность во всем ее многообразии и строгость исследования.

Данный метод обязан своим происхождением социологии. Однако сегодня он активно используется в самых разных областях гуманитарного знания: в политологии, нарратологии, истории философии, культурологии, проч.

Появление термина content-analisys относится к концу XIX — началу XX вв. Именно тогда в американской журналистике были предприняты первые попытки осуществить тематически точный анализ текстов (см. раб. Д. Спиида, Д. Уилкокса, Б. Мэттьюза, А. Тенни, др.).

«Изобретателями» современной версии контент-анализа часто называют американского социолога Г. Лассуэла и французского журналиста Ж. Кайзера.

Заслуга Г. Лассуэла состояла в том, что именно он начале 50-х гг. XX столетия первым предложил использовать для анализа массовой коммуникации статистический учет абстрактных языковых единиц — символов («слов»). С этого момента начался отсчет истории существования специального метода социологических исследований — контент-анализа.

В начале 60-х гг. Ж. Кайзер разработал целую систему изучения больших текстовых массивов, основанную на анализе статистических данных. Вскоре некоторые приемы описания текстов, апробированные в трудах, были стандартизированы ЮНЕСКО и получили самое широкое распространение.  Суть методики Ж. Кайзера заключалась в учете внешних форм организации текстового материала: его расположения, оглавления, оформления, проч. Кроме этого Ж. Кайзер предложил целый комплекс универсальных эмпирических процедур, позволяющих достаточно полно, скрупулезно анализировать как отдельные исторические источники, так и их др. совокупности[1] . Результаты своих исследований Ж. Кайзер изложил в знаменитой теперь монографии «Le quontiden francais». Paris. A. Colin, 1963. С этих пор контент-анализ приобрел тот «академический статус», которым пользуется и поныне — статус конкретной, логически завершенной, эффективной исследовательской процедуры.

Дальнейшее развитие этот метод получил в трудах последовательницы Ж.Кайзера Э.Морен. Так, именно Э.Морен ввела в научный оборот понятия «единицы информации» (особые элементы счета в контент-анализе, включающие в себя ответ на вопрос: «О чем говорится?»), «смысловые группы» (совокупности «единиц информации», формирующиеся на основе их взаимного смыслового соответствия), «эмоциональный тон» повествования» (этот тон определялся по специальной порядковом шкале с делениями «положительная», «отрицательная», «нейтральная» информация) Исследования Э.Морен положили начало более «гибкому» подходу к процедуре статистической обработки текстов. В результате вскоре последовал бурный всплеск исследовательского интереса к этому методу, повлекший за собой возникновение бесчисленных методик контент-анализа, ориентированных на количественный анализ поэтических, художественных, философских, др. произведений. Процесс интеграции контент-анализа с традиционными методами гуманитарных дисциплин привел к разрушению исследовательских стандартов, разработанных в социологии.

Сегодня необходимо уже доказывать: контент-аналитическими можно называть только те методики исследования текстовых массивов, которые основываются на строгой последовательности процедурных шагов: от формирования абстрактного объекта исследования и формулирования исследовательской задачи до интерпретации результатов и их статистической обработки.

В контексте традиционных историко-философских исследований контент-анализ чаще всего применяется как метод источниковедческий. И это закономерно. Источниковед в силу своей специальности не столько поглощает информацию источников, сколько экспериментирует с нею. Целью подготовленного источниковеда является глубокая, всесторонняя обработка исторических документов, полное извлечение из них полезной (в т.ч. и неявной, скрытой) информации, представление той информации в максимально конкретной, адекватной форме, и только в последнюю очередь — ее оценка.

Иную задачу решает историк философии. Для него существенно важно верно оценить, интерпретировать смысловое значение содержания философских текстов. Только в этом случае он сможет доказательно рассуждать о месте конкретной философской системы в контексте историко-философского процесса, сформировать собственную версию того или иного историко-философского события.

Давайте запомним: историк философии призван толковать содержание исторических источников, а источниковед – как бы создавать «новые» источники, со всей очевидностью, однозначностью и несомненностью выявляя их собственный, оригинальный смысл.

И в этой работе источниковеду помогает контент-анализ. Вот что писал по этому поводу известный отечественный источниковед Б. Г.Литвак: «Статистический метод должен стать одним из методов источниковедческого синтеза, и так же как в самой статистике он способствует созданию «статистического факта», в источниковедении он будет способствовать созданию «источниковедческого факта», т. е. акой «сгущенной» информации, которая еще не интерпретирована, не ключена в причинную цепь определенного исторического события или вления, еще «сырье», из которого историк и извлекает исторический факт обобщенного характера»[2] .

С этим утверждением трудно не согласиться!

Сегодня методика, процедуры и техника контент-анализа достаточно полно описаны в специальной научной литературе[3] .

Давайте рассмотрим некоторые существенные элементы процедуры контент-анализа.

Первое, с чем сталкивается историк философии при проведении контент-анализа — это разработка конкретной исследовательской программы, под которой обычно понимают изложение основных задач, методических предпосылок и гипотез исследования с указанием правил и логической последовательности операций по проверке гипотез. Общие рекомендации по составлению таких программ сводятся к необходимости  

Соизмерять желаемое (цели) и возможное (средства) и намеченное (объект) и находить оптимальную для данного случая комбинацию их.

Как раз последнее и представляет главную трудность для историка философии. Преодолев ее он получает ключ к методу контент-анализа. Не случайно социолог М.Й.Дауристин подчеркивал: «Ни один другой метод, используемый в социальных исследованиях, не связан так непосредственно в своих процедурах с концептуальной установкой, прямо вытекающей из теоретических посылок и задач исследования, как это мы видим при контент-анализе».[4]

Важнейшими элементами исследовательской программы контент-анализа являются: интерпретация понятийного аппарата, предварительный системный анализ объекта исследования и рабочие гипотезы, а центральным ее пунктом — принципиальный (стратегический) план, составленный на основе логической схемы исследования (см. рис.V).

Рис.. Логическая схема исследования с применением контент-анализа.

Следует подчеркнуть, исследовательские задачи историков философии-источниковедов связаны, как правило, с выявлением закономерностей и преодолением субъективного момента в интерпретировании фактов. Поэтому их решение, с одной стороны, предполагает выделение ключевых понятий (смысловых единиц анализа), которые поддаются счету и в которых выражается изучаемая проблема, а, с другой, требуют особой формы сбора и обработки данных — формализованного наблюдения и статистических процедур.

Итак, второе, с чем сталкивается историк философии — это выбор категорий анализа.

«Главные теоретические посылки исследования — указывал Л.И. Бородкин — его методологические принципы проявляются в основном здесь при выборе индикаторов и распределении их по категориям, при этом выделяемые смысловые единицы текста декларируются явным образом, что делает все этапы работы воспроизводимыми»[5] . Как правило, за смысловую единицу контент-анализа принимается определенная идея, значимая философская тема, которая может быть выражена одним словом, устойчивым сочетанием слов, может преподноситься и описательно.

Выделение единиц анализа часто подразумевает разделение текста на определенные фрагменты (единицы контекста), внутри которых тема может быть определена. Необходимой категорией контент-анализа является частота повторения единиц анализа и их индикаторов в тексте, которая выступает в качестве показателя проявления определенных закономерностей и тенденций историко-философского процесса.

Общим основанием для выбора категорий контент-анализа являются как внетекстовая реальность в целом, смоделированная на основе философского (материалистического, идеалистического, экзистенциального, проч.) понимания действительности, так и отдельный ее фрагмент, моделируемый в рамках какой-либо частной теории (например, теории Личности, теории группового взаимодействия, теории речевого восприятия и т.д.).

Рекомендации по выбору категорий контент-аналиаа ограничиваются следующим указанием: «…выбор категорий зависит от целей (задач) исследования»[6] . Если целью Вашего исследования является изучение авторского стиля конкретного произведения, то избранные Вами категории должны будут характеризовать особенности этого стиля. Если Вы ставите задачу — выявить тенденции становления определенного философского направления — категории должны отражать его базисные положения.

Практика свидетельствует, что конечные цели не всегда могут быть определены на первых этапах историко-философского исследования..

В этих случаях целесообразно прибегнуть к двухэтапной методике контент-анализа Р.Л.Лебедева и Р. В. Рывкиной. Эта методика ориентирована на выявление скрытой информации источников при отсутствии четко сформулированной исходной задачи и гипотез. Существо ее составляет выделение двух родов категорий в контент-анализе, выполняющих две разные функции:

1) категории для структурирования, выполняющей функцию средства извлечения неявной структуры информации и

2) категории для интерпретации, выполняющей функцию средства интерпретации информации. Выбор категории для интерпретации осуществляется на основе интуитивного осмысления структурированной информации.  

Подробнее о методике Р.Л.Лебедева и Р. В. Рывкиной см.: Лебедев Р.Л., Рывкина Р.В. О двух функциях категорий в контент-анализе// Методологические и методические проблемы контент-анализа. (Тезисы докладов рабочего совещания социологов). М.-Л. 1973. Вып. 1. — С. 71.

 Третий момент, который необходимо отметить в контент-анализе, — это процедура учета связей категорий анализа. Существует множество видов, типов таких связей. Важнейшими из них являются связи, отображающие внутреннюю структуру информации источников, а также те связи, которые характеризуют т.ск. «реакцию» Ваших источников на поставленные извне вопросы.

Выявление и учет связей категорий контент-анализа производится как посредством специальных статистических процедур (см. об этом в разделе «Статанализ»), так и путем фиксации очевидного взаимного смыслового соответствия Ваших категорий. При этом исследователь вправе опереться как на развитой математический аппарат гуманитарных исследований, так и на различные виды логик (на логику силлогизмов, модальную логику, проч.).

Существенно важно выявить иерархию связей категорий, установить, какие связи с большей степени соответствуют задаче Вашего исследования, какие в меньшей. Необходимо также устранить влияние малозначимых (в контексте Вашего исследования) связей категорий контент-анализа на его результаты.

Четвертое, что нужно знать историку философии, — это особая роль интерпретации числового материала в процедуре контент-анализа. Целью такой интерпретации обычно выступает обобщение, структурализация, группировка полученных в ходе исследования данных. На основе интерпретации числового материала строятся различные модели содержания текстов, которые затем подвергаются оцениванию, толкованию.

Интерпретация числового материала, как правило, производится посредством известных статистических процедур. Целью такой интерпретации является — выявление наиболее существенных категорий (например, наиболее часто повторяющихся категорий) контент-анализа, отражающих специфику поставленной Вами проблемы.

На этом этапе работы чрезвычайно важно не только обеспечить группировку категорий контент-анализа, но и выявить (актуализировать) принципы этой группировки.

Качественный анализ числового материала напрямую зависит от режима восприятия исследователем информации источника. Различают следующие режимы восприятия информации: режим «настройки», режим восприятия «основной информации» и режим восприятия «возвратной информации». Специфика каждого из этих режимов отображена в его названии. Обычно в процессе контент-анализа задействованы все режимы восприятия информации. Это обстоятельство необходимо учитывать при составлении плана Вашего исследования.

Отдельно необходимо выделить процедуру отбора источникового материала. Источник, подвергаемый контент-анализу, обязательно должен отвечать условию наличия устойчивой информации, соответствующей задаче Вашего исследования.

Для этого на подготовительном этапе контент-анализа выясняется (и обосновывается), насколько типичен тот или иной исследуемый Вами источник для творчества определенного автора, для конкретной историко-философской эпохи, направления философской мысли, проч. (Тут все зависит от поставленной Вами задачи). Затем, как правило, производится эксперимент, имеющий целью уточнение эмпирической интерпретации понятий контент-анализа, расчет размера репрезентативной случайной выборки текстового массива[7] (если она производится), расчет допустимой ошибки выборки; выбор технического инструментария контент-анализа.

Результаты анализа экспериментальных данных служат основанием для формирования текстовых массивов, подвергаемых в дальнейшем контент-анализу.

Таковы базисные принципы, сфера приложения и основные моменты процедуры контент-анализа!

Что можно сделать посредством контент-анализа? Какие результаты достигаются этим методом?

Это отнюдь не праздные вопросы. Не зная ответы на них, невозможно приобрести навык использования этого метода. Между тем научиться пользоваться различными методиками контент-анализа — конечная цель нашего обсуждения.

Наибольшую пользу контент-анализ приносит при обработке больших текстовых массивов. В этом случае он предоставляет возможность: во-первых, выявлять тенденции изменения взглядов, философских позиций путем сопоставления текстов одного автора (или ряда авторов — представителей одного философского направления), относящихся к разным периодам времени; во-вторых, выявлять различия, характеризующие содержание текстов, принадлежащих разным авторам (или авторам — последователям различных философских школ) путем сопоставления этих текстов.

Сравнительно новой сферой приложения контент-анализа является обработка отдельных историко-философских источников.

[1] Подробнее о творчестве Ж. Кайзера Вы можете узнать из книги: Алексеев А.Н. Метод Жака Кайзера (Из опыта исследований французской ежедневной прессы) // Проблемы современной зарубежной печати. Сб.ст. Л. 1969. — С.56-77.

[2] См.: Литвак Б.Г. Принципы формализации содержания массовой документации и регистры (по материалам XIX в.) // Археографический ежегодник за 1977. — М.1978.

[3] См. напр.: Алексеев А.Н. Контент-анализ, его задачи, объекты и средства//Социология культуры. — М.1974. Вып.1. — С.131-162;  Рабочая книга социолога.- М. 1976; Бородкин Л.И. Контент-анализ и проблемы изучения исторических источников // Математика в изучении средневековых повествовательных источников.М.1986; Килунов А.Ф. Применение конкретно-социологических исследований в исторический науке// Вопросы истории, 1972 г., № 1; Коробейников В.С. Анализ содержания массовой коммуникации // Вопросы философии.1989, № 4; Маджаров А.С. К вопросу о применении контент-анализа к источникам личного происхождения // Проблемы источниковедения и историографии истории Восточной Сибири. Иркутск. 1982, др.; Методологические и методические проблемы контент-анализа. М.-Л., 1973. Вып.1, др.; Соловнин В.М. Об объективности исследования в контент-анализе // Методологические и методические проблемы контент-анализа. М.-Л.1973. Вып.1.

[4] См. Лауристин М. Применение контент-анализа для изучения направленности содержания газеты // Труды по социологии. Тарту. — 1972. Вып.2. — С.117.

[5] Бородкин Л.И. Многомерный статистический анализ в исторических исследованиях. М.1986.С.140-141.

[6] Проблемы контента-анализа в социологии: Материалы Сиб. социолог. семинара. Новосибирск. 1970. С. 131.

[7] Для этого используются специальные статистические процедуры, описанные, напр. в :Количественные методы в исторических исследованиях. Учеб. Пос. для студентов вузов, обуч-ся по специальности «История» / Гарскова И.М., Изместьева Т.Ф., Милов Л.В. и др. Под ред. И.Д. Ковальченко. — М., 1984, С. 101 – 137, др.

Биллинговые системы в решении актуальных потребностей операторов

Александр Гургенидзе

Биллинговая система, автоматизирующая взаиморасчеты с абонентами, — важнейшая часть бизнес-инструментов современного оператора. Без нее практически невозможно справиться с учетом предоставляемых услуг. Ведь только речевых услуг сегодня существует почти 3 тыс., и каждая из них может рассчитываться по собственному тарифу. Но чисто учетными функциями дело не ограничивается: оператору необходимо отразить в клиентском профиле индивидуальные особенности абонента, а это требует более «тонкой» настройки тарифных планов.

Успех = ДОХОДНОСТЬ компании + удовлетворенность клиентов

Сегодня перед российскими операторами связи стоят две основные проблемы: существенное снижение собственных расходов и повышение уровня удовлетворенности абонентов. Динамика рынка обострила проблему структуры стоимости в отрасли связи: размещая в телекомсфере капитал, инвесторы заинтересованы в высокой доходности операторских компаний. А соответствующий уровень прибыли оператора может быть сформирован лишь устойчивыми доходами от абонентских услуг. Чтобы добиться этого, операторы оптимизируют бизнес-процессы либо фронт-офиса (управление отношениями с клиентом и биллинг), либо бэк-офиса (проектирование сети, предоставление и обеспечение той или иной услуги).

Если процессы первой области масштабируются достаточно просто, то второй часто включают в себя «ручную» работу, в которой принимают участие квалифицированные сотрудники, использующие несколько не интегрированных автоматизированных систем. Автоматизация большей части «бэк-офисных» процессов обеспечила бы радикальное повышение скорости и предсказуемости основных бизнес-процессов, оказывающих прямое влияние на качество обслуживания абонента. Одновременно с этим коммуникационные компании смогли бы существенно снизить эксплуатационные расходы.

Современный оператор имеет три основных сетевых уровня: — магистральные сети MAN/ WAN, объединяющие технологии SDH/PDH, Frame Relay, ATM/Ethernet с поддержкой технологий IP MPLS;

— сети «второй мили», объединяющие узлы агрегирования трафика, которые шлюзуют трафик сетей абонентского доступа в магистральные сети и разграничивают доступ к сетевым и информационным ресурсам оператора;

— мультисервисные сети абонентского доступа, объединяющие узлы, поддерживающие технологии SDH/PDH, xDSL, FTTx, EoF, PON и т. п.

Даже краткий обзор подсистем автоматизации выявляет отсутствие четких границ между отдельными подсистемами и условность структурирования комплекса NMS-OSS-BSS на подсистемы в принципе. В настоящее время нет ясного представления о разграничении функциональности подсистем. Например, для ERP-систем доминантой является долгосрочное и среднесрочное планирование ресурсов, но вопросы оперативного планирования и диспетчеризации персонала эффективнее решаются WFM-системой.

Для каждого оператора необходимо решение, учитывающее его специфику. Поиском подходящих решений занимаются системные интеграторы, специализирующиеся на решениях для операторов связи. Обычно такие  решения имеют модульную структуру, учитывающую масштабы автоматизируемой деятельности и планируемый объем минимизации издержек по каждой из подсистем.

Однако если у оператора небольшой оборот, а затраты на ручной труд относительно невелики, то затраты на сквозную автоматизацию NMS-OSS-BSS могут и не окупиться. Ведь стоимость таких решений составляет от 2,5-5 до 50-100 млн долл. Поэтому оператор с небольшой абонентской базой не сможет покрыть свои издержки по автоматизации в обозримые сроки.

Операторы сталкиваются примерно с одинаковыми проблемами:

— 20% заявок оформляются неправильно или несвоевременно;

— 30% изменений услуг приводят к отказам;

— 30% запросов услуг, реализуемых совместно с другими провайдерами, завершаются аварийно.

Основные компоненты OSS/BSS

Архитектура OSS/BSS похожа на слоеный пирог. Есть смысл остановиться на том, какие задачи помогает реализовать тот или иной «слой».

Слой сетевого управления Network Management Systems (NMS) — комплекс систем управления узлами и подсетями оператора, формирующий прозрачную для абонента мультисервисную и мультисе-тевую инфраструктуры оператора. С учетом того, что обычно оператор использует оборудование как минимум двух производителей, число управляющих комплексов может достигать нескольких десятков. Для подсчета объема услуг биллингу необходимо взаимодействовать с каждой системой управления или с неким информационным приложением, являющимся посредником между имеющимися ИС. В NMS протоколируются все воздействия на узлы сети, по каждому из них собираются аварийные и сигнальные сообщения. Структурирование этой информации и ее обработка позволяют разграничить информационные потоки и доступ к сетевым ресурсам. Это повышает гибкость всего комплекса и обеспечивает более высокий уровень информационной безопасности: следующий слой автоматизации работает только с информацией, поставляемой с «нижних» слоев.

Слой автоматизации эксплуатационной деятельности оператора Operation Support System (OSS) обеспечивает интеграцию следующих ключевых подсистем:

— Network Resource Inventory (NRI) — подсистема инвентаризации и технического учета сетевых ресурсов. Она учитывает и отражает физический уровень сети, логический уровень сети, позволяет детализировать трафик с точностью до виртуального канала, временного интервала или информационного потока той или иной услуги;

— Intelligent Fault Management (IFM) — экспертная система анализа и фильтрации аварийных сообщений. Подсистема выявляет причины сбоев в узлах сети, обеспечивает фильтрацию вторичных аварийных сообщений, позволяет своевременно фиксировать деградацию качества каналов, влияющую на качество услуги;

— Service Level Agreement Management (SLAM) — автоматизированная система мониторинга контролируемых параметров, гарантирующих качество обслуживания абонентов. Она играет важную роль в детализации процессов предоставления услуг, определяющих взаиморасчеты с абонентом;

— Problem Management + Help Desk (PMHD) — автоматизированная система формирования и сопровождения заказов на проведение ремонтных и регламентных работ на сети оператора. Она позволяет минимизировать простои за счет автоматической генерации заказов при локализации аварийной ситуации, а также сокращения издержек, связанных со взаимодействием различных служб технической поддержки сети, и прогнозирования возможных отказов в системе IFM и генерации нарядов на плановые регламентные работы, предотвращающие возможные отказы;

— Performance Management System (PMS) — автоматизированная система анализа баланса нагрузки в сети, предназначенная для оптимизации сетевой производительности . Она дает возможность своевременно прогнозировать перегрузки в узлах сети, планировать внедрение новых услуг, необходимую для этого модернизацию сети и приводить их в соответствие с маркетинговым планом;

— Order Management (ODM) — автоматизированная система работы с абонентами, которая принимает и формирует заявки на активацию сервисов, согласует их с техническими возможностями имеющейся инфраструктуры и программой развития сети, фиксирует рекламации, планирует и сопровождает их устранение;

— Working Force Management (WFM)

— автоматизированная система управления персоналом. Она координирует техническую переподготовку сотрудников в соответствии с программой развития сети, планирует график работы персонала.

— Слой автоматизации бизнес-процессов оператора Business Support System (BSS) интегрирует подсистемы автоматизации процессов агрегирования информации, необходимой для работы биллинговой системы, систем учета и управления материально-техническими ресурсами оператора:

— Subscriber Service Support System (SSSS) — подсистема абонентского обслуживания, которая объединяет работу контакт-центра, обрабатывающего обращения абонентов, CRM-системы, фиксирующей историю взаимодействий с абонентами и системы самообслуживания абонента(справочная информация, подписка и т. п.);

— Billing System (BS) — автоматизированная система взаиморасчетов с абонентами и детализации предоставленных услуг. Она выставляет счета абонентам оператора, контролирует своевременность оплаты и позволяет абоненту получить детализацию с точностью до отдельной транзакции и сценария ее реализации;

— Enterprise Resource Planning (ERP)

— набор интегрированных приложений, которые поддерживают основные аспекты управленческой деятельности оператора: планирование ресурсов, необходимых для предоставления услуг, оперативное управление выполнением планов, учет и анализ результатов деятельности. Среди основных требований, предъявляемых к ERP-системам, — централизация базы данных, работа в режиме онлайн, поддержка территориально распределенных структур, возможность использования различных СУБД на ряде аппаратно-программных платформ.

Автоматизация взаиморасчетов с абонентами: кто против?

Выбирая разную глубину и степень автоматизации своей деятельности, ни один из операторов не обходится без биллинго-вой системы. С помощью этого инструмента можно повысить эффективность бизнес-процессов, доходность имеющихся сетевых ресурсов, обеспечить прозрачность взаиморасчетов с абонентом.

Исторически в России биллинг был единственной реализованной подсистемой BSS/OSS, поэтому во всех сертифицированных биллинговых продуктах (а их в России более 100) реализованы функции других подсистем комплексов BSS/OSS (статистик- коллектор, тарификатор, Intelligent Fault Management, Fraud Management System, Order Management System, Network Resource Inventory). Многие разработчики биллинговых систем традиционно отождествляют задачи создания BSS/OSS и биллин-га. Хотя на самом деле это далеко не одно и то же. Главный вопрос кроется в масштабировании решения по каждой из подсистем BSS/OSS. Наиболее остро вопрос масштабирования стоит у мобильных операторов — с их резко расширяющимся спектром речевых и контент-услуг, а также у традиционных операторов электросвязи, обладающих наибольшими объемами сетевых ресурсов и абонентской базы.

Эти компании первыми ощутили ограниченность существующих биллинговых систем, которые изначально проектировались как замкнутые комплексы. Это приводило к перегрузке бил-линга не свойственными ему функциями, которые более эффективно реализовывались в других подсистемах оператора (например, CRM, система мониторинга абонентских заявок OMS, сетевого планирования). Вот почему современный бил-линг, являясь частью комплексного решения по интеграции систем автоматизации всех подразделений оператора, сегодня нуждается в новой архитектуре, в рамках которой может быть реализовано информационное обеспечение этой подсистемы. Особенно четко эта потребность прослеживается при попытке интегрировать биллинг в интерактивную систему абонентского обслуживания оператора муль-тисервисной сети, когда абонент стремится отслеживать состояние своего счета в режиме онлайн, чтобы оптимально распределить платежи по комплексу потребляемых услуг.

Биллинг не всесилен

Попытки учесть в рамках биллинговой системы все факторы, влияющие на предоставление услуг абоненту, обречены на провал. Это обусловлено многообразием бизнес-процессов, которые сложно оценить с точки зрения подсчета отпущенных услуг. Ведь объем услуг может учитываться на абонентском порте или на порте сервера соответствующего информационного приложения. Если биллинг базируется на побайтной тарификации, то трафик от услуг серверов информационных приложений необходимо будет вычесть из общего объема потребления по каждому из клиентов. Подобные непроизводительные расходы вычислительных ресурсов могут привести к перегрузке биллинговой системы.

Очевидно, что требуется реструктуризация сбора статистики и тарификации с учетом множества услуг. Необходим раздельный учет по каждому типу сервисов. Биллинговая система оператора должна собирать нужную информацию от различных информационных источников и на выходе формировать интегральный счет клиента с необходимой степенью детализации.

Для оценки потребности операторов с точки зрения необходимой функциональности биллинговой системы следует четко обозначить ее роль в общей архитектуре комплекса автоматизации деятельности оператора связи BSS/OSS. Главная задача биллинговой системы — детализация структуры потребления по каждому абоненту. Чем подробнее определяется структура цены по каждой из услуг, тем более «тонко» может быть настроен тот или иной тарифный план. В идеале при заключении абонентского договора должен формироваться персональный профиль клиента, где посредством создания индивидуального тарифного плана будут учтены его потребности в услугах. Но сегодня такая роскошь доступна лишь очень солидным клиентам.

Многие услуги, предусмотренные тарифным планом, зачастую оказываются невостребованными, например, из-за высокой стоимости или неудобной схемы оплаты. Увеличение мелких платежей за отдельные опциональные удобства в стандартном абонентском плане могли бы сделать взаимодействие клиента с оператором более индивидуализированным, повысить лояльность клиента. Реализовать такие бизнес-возможности оператора на имеющемся сетевом ресурсе можно только при динамичном формировании маркетинговых планов и тарифной политики, при постоянном генерировании новых пакетов услуг и маркетинговых предложений. Наиболее остро это ощутили сегодня мобильные операторы, работающие в жестких условиях рыночной конкуренции.

Исходя из этого, наиболее важными параметрами выбора биллинговых систем являются их масштабируемость и инвариантность к типу тарифицируемого параметра (время занятия канала, объем трафика, скорость обращения к услуге). Производство не свойственных службе взаиморасчетов с абонентами функций может существенно снизить производительность системы, следовательно, ее масштабируемость. Поэтому реализация сбора вспомогательных данных для бил-линга должна осуществляться в подсистемах автоматизации других подразделений оператора.

То, что биллинг не может быть осуществлен без информационных потоков, формируемых в подсистемах автоматизации различных подразделений оператора, не означает, что автоматизация процессов их формирования является задачей биллинга.

***

Сегодня оператор под давлением конкуренции вынужден ежегодно вводить до 30% новых услуг, предоставляемых на той же самой сетевой инфраструктуре. Внедрение системы OSS позволяет справиться с этой задачей. В результате этого, по данным аналитиков:

— до 80% сбоев может быть отфильтровано;

— на 35% сокращается время устранения нештатных ситуаций в сети, а с учетом работы автоматизированной подсистемы NRI, предоставляющей сетевую документацию, этот показатель уменьшается еще на 25%;

— анализ сообщений и прогнозирования деградации качества каналов позволяет выявить многие проблемы до их возникновения;

— на 30% снижается стоимость эксплуатации сетевых ресурсов за счет уменьшения доли ручного труда и сокращения времени на выполнение операций.

Курс — на мультисервисные сети

Сегодня операторы стремятся превратить имеющуюся у них телекоммуникационную инфраструктуру в мультисервисную, что существенно повышает сложность одновременного использования нескольких услуг. Впоследствии, с переходом на технологию сетей нового поколения (NGN), основанную на принципах пакетной коммутации, спектр предоставляемых сервисов должен пополниться такими услугами, как доступ в Интернет, VPN, интерактивное видео (видеоконференц-связь, ретрансляция эфирных каналов в приемлемое для абонента время, видео по запросу, видеоигры и т. п.). Каждая группа услуг будет порождать свои тарифные планы, и даже небольшая операторская сеть с расширением спектра абонентских сервисов будет нуждаться в учете, структурировании, тарификации и биллинго-вании трафика каждого абонента по ряду позиций. А это немыслимо без автоматизированной системы расчетов.

Провозглашенная десятилетие назад идея конвергенции «голосовых» сетей и сетей передачи данных переросла сегодня в тенденцию перехода операторов к созданию сетей пакетной коммутации.

Современные сети сочетают преимущества существующих технологий и способны служить основой для предоставления мультисетевых услуг, трафик которых проносится без деформаций качества через сети различных операторов с различными средами доставки. Это свидетельствует о зрелости телекомрынка, поскольку является непременным условием развития бизнеса сервис-провайдеров, предоставляющих отдельные группы услуг. Что, в общем-то, понятно: контентсодержащие услуги требуют от сервис-провайдера определенной специализации. «Узкоспециализированный» сервис-провайдер, не имея средств доставки своих услуг, которыми владеет оператор, обречен на разорение. Таким образом, инфраструктура крупного оператора становится своего рода торговой площадкой, которую он сдает в аренду сервис-провайдерам. В то же время крупный сервис-провайдер может стать поставщиком услуг сразу для нескольких операторов и выступать в роли оптового поставщика контентсодер-жащих услуг для операторов, предоставляющих эти услуги в розницу.

Биллинг в эпоху мультисетей

Готовность биллинговой системы учитывать объем предоставленных абоненту мультисете-вых услуг является важным параметром, влияющим на выбор оператором конкретного решения. Максимальная степень готовности биллинговой системы может быть достигнута в том случае, если она окажется инвариантной используемым стандартам связи и принципам работы оконечного оборудования клиента при подсчете объема услуг.

Вопросами структурирования трафика занимаются инженерные службы. Они обеспечивают необходимую «окраску» в соответствии с объемом резервирования сетевых ресурсов под определенный тип трафика, что является основой формирования себестоимости доставки каждой из услуг. Сбор статистики по загрузке узлов сети оператора необходим не только для биллинга, которому важна картина информационных потоков на границе сети абонентского доступа или в узлах агрегирования услуг. Эта информация в первую очередь используется подсистемой анализа трафика и балансировки нагрузки в узлах сети (Performance Management System), но не менее критичной может оказаться и для контроля гарантированных параметров качества обслуживания подсистемы Service Level Agreement, определяющей межоператорские взаиморасчеты. Централизация процессов обработки транзакций в интересах биллинга на уровне статистик коллектора оправдывает себя лишь на ограниченных объемах предоставляемых услуг. Необходимость почти в режиме онлайн учесть тысячи видов услуг для миллионов абонентов неизбежно приводит к перегрузкам в таком центре и к его неоправданно высокой стоимости. Более целесообразна распределенная иерархическая структура сбора биллинговой информации с двумя или тремя уровнями иерархии.

При первичной обработке трафик сортируется, и формируется «элементарный квант» биллинговой информации по каждому из абонентов сети. Второй уровень системы занимается статистической обработкой и протоколированием квантов состояния абонентских портов в процессе предоставления услуг. Это необходимо для последующей детализации структуры счета (при клиентском запросе). Третий уровень иерархии может потребоваться, если в системе взаиморасчетов есть необходимость учитывать транзакции, расчет по которым ведется не на оконечном оборудовании, а на стороне соответствующего сервера информационного приложения. Обычно услуга такого приложения тарифицируется по событию, а не по времени загрузки канала или объему сгенерированного трафика. В этом случае при формировании текущего состояния счета необходимо одновременно интегрировать информационные потоки нескольких биллин-говых систем.

Унифицированный биллинг — утопия

Обычно для упрощения взаимодействия с абонентом и повышения эффективности навигации каждая группа услуг (речевых, передачи данных, интерактивного аудио/видео) имеет собственный биллинг, реализуемый на сервере соответствующего информационного приложения. Идея создания унифицированного биллинга, инвариантного к типам услуг, утопична и консервативна. Ведь унификация возможна при стандартизации бизнес-процессов, при фиксированных сценариях предоставления услуг и взаиморасчетов с абонентом. Но каким образом, к примеру, можно стандартизировать сценарии такой принципиально новой услуги, как интерактивное видео? Именно попытки реплицировать в среду пакетной коммутации бизнес-модели кабельного или спутникового ТВ и доступа к интернет-ресурсам сдерживали развитие этих услуг по всему миру. Прорыв в решении этого вопроса возможен лишь при осознании нового качества услуг, приобретаемого за счет смены среды доставки, а также создания дружественных и узнаваемых сценариев взаимодействия с контентом. Именно индивидуальными особенностями новых видов услуг обусловлено постоянное появление новых биллин-говых систем, интеграция которых должна происходить на базе крупных операторов.

Обилие сервисов и предоставляющих их компаний, с каждой из которых абоненту приходится общаться, обусловливает необходимость унификации взаиморасчетов абонента за весь комплекс потребляемых им услуг. Ему проще рассчитываться в одном центре по единому счету, который к тому же можно было бы отслеживать в режиме онлайн. Следовательно, необходима глубокая интеграция взаиморасчетов с prepaid- и postpaid-абонентами, а также любых видов карточных платформ и клубного дисконтирования.

Задача осложняется тем, что появление новых услуг сопровождается выходом на рынок очередных брендов, относящихся к одной и той же компании. В данном случае счет абонента должен интегрировать все потребляемые им услуги, а дифференциация по брендам оказывается вторичной и далеко не всегда востребованной.

Существует и обратная картина, когда необходима дифференциация однотипных услуг, полученных абонентом от нескольких виртуальных операторов, которые используют одну и ту же среду доставки услуг.

Возможно, в дальнейшем можно ожидать появления универсальных расчетных центров на базе узлов агрегирования услуг. При этом контентдержате-лем и сервис-провайдером может стать любой абонент сети, решившийся предложить рынку свой информационный продукт. Это могут быть онлайн-услуги в режиме видеоконсультаций врача, юриста, адвоката, учителя, работающего по авторской методике, эксперта и т. п.

Биллинг класса N

С развитием рынка информационных услуг необходимость во взаиморасчетах с множественными отношениями становится все более очевидной, что обусловливает возникновение новых требований к биллинговым системам. Локальный биллинг небольшого сервис-провайдера должен легко интегрироваться в биллинговые системы крупных операторов и сервис-провайдеров, а эти системы, в свою очередь, в большие клиринговые системы межоператорских взаиморасчетов.

Унификация информационных потоков между различными биллинговыми системами, оперативная online-детализация по любой позиции биллинга, формируемая объединенной системой отчетности, являются задачами биллинговых систем нового поколения. Эта группа информационных приложений обладает большими преимуществами архитектуры по сравнению с унаследованными клиент-серверными приложениями, где функциональные возможности и конфигурация распределялись по двум уровням.

Развитие алгоритмов взаимодействия клиента с информационными приложениями приводит к расслоению серверной части на отдельные подфункции, что порождает N-уровневую архитектуру программного обеспечения информационных приложений. Современные многоуровневые решения имеют массу стандартных технологий для конфигурирования, настройки систем и управления ими. На стороне сервера используется несколько уровней, что обеспечивает доступ к наиболее целесообразной для данного приложения технологии.

Возвращаясь к роли биллинга в общей структуре сети, необходимо отметить, что формализация его интерфейсов, обеспечивающих взаимодействие с другими подсистемами, определение границ зон ответственности этих подсистем, являются первоочередной задачей развития еТОМ-моделей (enhanced Telecom Operations Map), описывающих бизнес-процессы оператора. Это позволит повысить гибкость интегральных решений, сократить сроки внедрения отдельных подсистем, обеспечить жизнеспособность автоматизированных систем на более длительный период реализации сложных информационных проектов.

Формализация операций, составляющих основу бизнес-процессов оператора, — первый шаг к автоматизации его деятельности. Необходимость снижения влияния человеческого фактора в деятельности оператора уже никто не оспаривает. Доля рутинного труда в телекомсфере будет уменьшаться, а поле для творчества — расширяться. Какой должна быть автоматизация в мультисервисных сетях нового поколения, призванных стать основой для построения электронного общества? Очевидно, ответ на этот вопрос будет получен в ближайшее время. Бурный рост услуг в телекоммуникационной среде неизбежно предъявит свои требования к архитектуре биллинговых систем, к их роли в едином комплексе решений NMS-OSS-BSS.

***

Типичная N-уровневая архитектура имеет специализированные аппаратные средства и обеспечивает процессы для уровня:

— баз данных, содержащего информацию всех приложений и обеспечивающего централизованные услуги нижнего уровня;

— бизнес-логики, обеспечивающего абстрактное представление данных приложения и допускающего развертывание интеграции и настройки в отдельной среде сервера;

— сетевого, допускающего представление данных клиентскому уровню и другим интегрированным системам, используя стандартные web-технологии;

— клиента, допускающего взаимодействие с приложением и отображение информации уровня сети.

Список литературы

Журнал «Connect!», №11.2005

Особенности журналистского процесса в сети Интернет (на опыте США)

Светлана Батманова

Для любого СМИ характерны следующие стадии журналистского процесса: поиск и отбор информации, создание и публикация материала. Однако цифровое измерение накладывает отпечаток на все этапы журналистской деятельности. Сетевая среда позволяет как журналисту, так и читателю намного шире и быстрее работать с информацией.

При поиске информации журналист может использовать различные источники информации. Это могут быть тексты, официальные документы, пресс-релизы, интервью и т.п. Увеличивающееся количество этой информации оцифровывается и выкладывается в сеть, обеспечивая тем самым изменение процесса поиска информации журналистом. Эффективность работы журналиста зависит от его умения пользоваться поисковыми системами. При умелом использовании механизма поисковых машин перед журналистом открываются широчайшие возможности, а именно:

— широта доступа к источникам – электронным библиотекам, словарям, энциклопедиям, статистическим данным, картам, адресам, сетевым базам данных, архивам и т.п.;

— объем информации – миллионы и миллионы документов, историй, мнений собраны в одном месте – в сети Интернет;

— скорость доступа через поисковые машины – на поиск необходимой информации затрачивается несколько минут. Чем правильнее будет сформулирован запрос, тем эффективнее будет работа по поиску нужных документов.

Поисковая мощь ценится, прежде всего, теми, кто начинал свою деятельность в до-сетевую эпоху, когда приходилось собирать данные по крупице в течение длительного времени. Анализ большого количества информации с целью выявления тенденций, несоответствий и т.п. – это новый инструмент в работе сетевого журналиста.

Процесс публикации в традиционных СМИ довольно сложен. Выпуск ежедневной газеты – это процесс, требующий четких и отлаженных действий большого количества людей. Сетевое издание открывает новые горизонты в распространении информации и построении динамичного контакта с аудиторией. Одной из основных характеристик сети и сетевых СМИ выступает оперативность и быстрота обновления информации. Раньше считалось, что радио – самое оперативное средство. Но оно передает последние выпуски новостей каждые полчаса-час и может дать только один блок новостей, так как имеются жесткие ограничения по времени.

Сеть же дает возможность обновлять материалы минута за минутой, сразу же после их поступления. Но заметим, сеть только дает возможность. Используется эта возможность далеко не во всех сетевых СМИ. Да и так ли она важна читателям?

Обратимся к исследованиям сетевой журналистики, которые проводились американской Ассоциацией Интернет-новостей (ONA) в 2001-2002 годах. [1] Как ни странно, сетевые читатели поведали, что они в большей степени беспокоятся за точность информации, нежели за оперативность ее предоставления, быструю скорость обновления. К тому же онлайн-читатели поставили «скорость обновления» на пятое место после точности, полноты предоставления информации, честности и доверия к СМИ. Тем самым они согласились с главным редактором WashingtonPost.com Дагом Фивером: «Я предпочел бы быть правым, чем быть первым» («I would rather be right then first»).[2]

Тем более, далеко не 100% читателей уверены в оперативности Интернет-СМИ перед традиционными медиа. Чуть менее половины (47.1 %) согласны, что сетевые СМИ более оперативны и чаще обновляемы, хотя 19.2 % так вовсе не считают.[3]

К тому же в 1998 году остро стала проблема соотношения оперативности и достоверности предоставляемой информации, когда сетевой журналист Мэт Драдж украл у репортера из «Ньюсвик» Майкла Айзикова сведения о деле Моники Левински. Не проверяя данных, Драдж незамедлительно опубликовал факты самой скандальной темы того времени в Интернет-СМИ. Журналистская этика была грубо нарушена, а данный факт вызвал живейшее обсуждение проблемы соотношения оперативности и достоверности фактов в Интернет-СМИ.

Сейчас многие новостные сайты признают, что они балансируют между оперативностью и точностью, ведомые «жаждой быть первыми» («Thirst to be first»).

Появляется понятие политики исправлений («Corrections policy»). Действительно, оперативное обновление информации в интернет-ресурсах позволяет быстро корректировать и изменять информацию. Бонни Брессерс, профессор журналистики Канзасского Государственного университета, считает, что смысл хорошей политики исправлений заключается в полной ее открытости для читателей: «Скажите читателям все, что вы знаете». Такой политикой также пользуются на своих новостных сайтах Reuters, ZDNet, Salon, WiredNews, The Washinton Post, the Associeted Press, Houston Chronicle и другие. Кинси Вилсон, главный редактор USANoday.com считает, что исправления должны размещаться в специально отведенным местах, корректировка фактов помечается и должна быть открыта для читателей.

Использование мультимедиа

Веб-сайты позволяют размещать текст, звук, графику, видео, анимацию. Однако проблема состоит в том, что файлы с видео имеют очень большой объем в килобайтах и требуют длительного времени загрузки. Поэтому сайты BBC и CNN показывают, что может быть загружено пользователем, а уж он потом решает загружать или нет.

Мультимедиа может предоставить журналистике использование многоуровневой структуры в представлении информации. Например, пользователь может слушать интервью и одновременно читать журналистский отчет. Потенциал мультимедиа в полной мере может реализоваться в том случае, если телевидение объединится с Вебом.

Гибкие системы доставки. Переадресация

Сетевой редактор может поместить какую-либо информацию на сайт, включить ее в поисковые системы или отослать по мобильному телефону. Можно переадресовать материалы, используя эту гибкость сетевой доставки, чтобы охватить как можно большее количество сетевых изданий и агентств. Экономия с помощью переадресации довольно привлекательна. Сбор информации часто очень дорого обходится. Собрав информацию однажды, имеет смысл дать ее как можно большему количеству людей всеми способами. Это, возможно, единственная вещь, с которой согласны как журналисты, так и бухгалтеры.

Архивы

Архивы особенно эффективны для новостных изданий в сети. Расширяясь, они формируется в довольно полезные ресурсы, доступные в любое время. Данные из архива могут предоставить необходимые сведения для журналистского расследования.

Ссылки

Веб-сайт может состоять из сотни отдельных страниц, связанных друг с другом гиперссылками. Каждую страницу можно прочитать и понять по отдельности. Это увеличивает как количество опубликованных новостей, так и охват целевой аудитории.

Возможностью делать ссылки на другие сайты, брошен вызов традиционной роли журналистов. Газета может опубликовать материал, например, о вложении средств в реставрацию школы. В ней может содержаться новостной блок и несколько связанных с этим событием фактов. Сетевая версия этой газеты может предложить то же самое, но еще и дать читателю ссылки на сайты образовательного учреждения, соответствующего правительственного департамента, местных организаций, влияющих на эти события, политические партии и т.д.

Роль журналиста изменяется. Как отмечает профессиональный журналист Стив Йелвигтон (Steve Yelvington): «Старая модель журналистики предполагает издателя или репортера, как защиту против ложной информации. Мы живем в мире, где информационные ресурсы обрушиваются на нас. Вы не можете остановить этот поток информации. Вместо этого, вы можете взять читателя или пользователя за руку и вести его к свету. Я думаю здесь, мы, как журналисты, выполняем функцию отбора правдивых сведений и указания на них. Но это скорее функция гида, чем привратника, так как шанс взять контроль в свои руки… его больше нет». [4]

Сеть предоставляет также и читателю новые возможности работы с информацией.

Нелинейная конструкция

Обратимся к примеру радио. Радио – это линейное (потоковое) СМИ. Содержание подается слушателям линейно, одним потоком. Сначала интервью, потом следует прогноз погоды, блок новостей, музыка, блок новостей и т.д. Слушатель не может выбрать, какие новости и в каком порядке ему слушать, а какие нет. В реальности слушатели будут мысленно настраиваться слушать то, что им действительно интересно, переключаться на другую волну, либо вообще выключать радио.

Сеть базируется на нелинейном (многопотоковом) принципе потребления информации. Так, потребителям не требуется переключаться от одного материала к другому, третьему, с одной волны на другую. Выбрав интересующие их материалы, они могут прочитать сначала 2-й, потом 5-й и 6-й, потом 15-й, а потом вернуться на 4-й. Это сеть, но не единый поток.

Модель потребления информации в сети Интернет управляется аудиторией, но не поставщиком информации. Это и есть нелинейное потребление. Такая модель потребления информации вызывает потребность заново продумать процесс написания текстов. Если вместо этого продолжать представлять информацию отдельными гомогенными единицами, как это сделали бы журналисты в газете, читатель прочтет только один материал с экрана монитора и покинет сайт, возможно, навсегда. Так можно потерять 50 % потенциальной аудитории. Читая текст, люди не хотят пробираться через А, Б, В, Г и Д, чтобы добраться до Е, которая их интересует. Они могут вообще не знать, что Е вообще существует. Однако, если Е предполагается как отдельный текст, но связанный с А, Б, В, Г и Д, возможно привлечь читателей и к Е.

Другими словами, имея собранную по теме информацию, нужно постараться составить из нее серию взаимосвязанных текстов, которые вместе будут представлять общее покрытие темы, но которые могут быть прочитаны по отдельности. Этим можно привлечь и удержать большее количество аудитории.

Другая важная особенность сетевой среды – интерактивность.

Потребление, руководимое аудиторией – важный элемент интерактивности. Он позволяет потребителю взаимодействовать с продуктом. Здесь есть еще несколько уровней:

— потребитель, взаимодействующий с редакцией, самый очевидный пример которого – письма по электронной почте журналистам, чтобы поделиться своим мнением или для получения дальнейшей информации;

— потребитель, взаимодействующий с потребителем. Например, использование досок объявлений на веб-сайтах, которые позволяют читателям обмениваться взглядами. Это может обеспечить дополнительную перспективу и наполнение исходному материалу;

— потребитель, который сам может быть поставщиком информации – с развитием сетевых СМИ, некоторые читательские голоса становятся все более авторитетными, делая существенный вклад в основное содержание.

Последнее направление интерактивности может стать тревожным сигналом для журналистов. Этот факт заставляет задуматься, только ли журналисты могут писать материалы для сетевых СМИ. Этот факт также поднимает вопрос, связанный с точностью, правдивостью и перспективами этих информационных материалов. Все же некоторые сетевые журналисты увлечены этой возможностью.

Например, агентство “Out There News” (США), руководимое Джоном Вестом (John West) и Полем Идлом (Paul Eedle), приветствует вовлечение читателей в процесс создания материала. Мировой охват деятельности агентства позволяет привлекать письма по электронной почте людей со всего мира, в том числе находящихся и в зонах конфликтов. Они более информированы и осведомлены, нежели журналисты. Джон Вест так сказал для «Пресс Газетт» (“Press Gazette”): «Люди, делясь своим опытом и знаниями, делают значительный вклад в материал. В идеале это будет создание как можно большего количества материалов без привлечения журналистов вообще… Журналисты должны спуститься с их пьедестала. Ведь, пока ты работаешь над материалом, обнаруживается, что твоя аудитория знает намного больше о предмете».

Поль Идл добавляет: «Отношение типа «Я знаю все, поэтому говорить буду я, а вы слушайте» здесь отсутствует».[5]

Сетевой журналист Стив Йелвингтон (Steve Yelvington) соглашается: «Я думаю, журналист в наше время вырос в лектора. Есть убеждение, что «журналист все видит, все знает, обо всем говорит… и остальные должны сидеть и слушать». Но то, что мы можем сейчас видеть вместо этого – так это диалог, беседу. И с этим должно придти прозрение, что мы, как журналисты, не все видим и определенно не обо все знаем».

Как мы увидели, каждое из определяющих качеств сети может иметь основательное воздействие на процесс журналистики. Пришествие этого «невероятного монстра», как назвал в свое время Интернет Brian Appleyard, рассказал нам о мире журналистики и как она реагирует на изменения.

Существенно изменяются и взаимоотношениям между репортерами и читателями. Журналисты становятся как бы архитекторами информации.

Журналистика прочно вошла в сеть, журналистика в сети прочно входит в нашу жизнь. Как сказал еще 8 лет назад Nicholas Negroponte: «Процесс перехода от атомов к битам необратим».

Список литературы

1. Digital Journalism: Credibility Study. Founded by a grant from the John S. and James L. Knight Foundation. Edited by Online News Association, 2000.

2. Там же, стр. 59

3. Там же, стр. 10

4. Ward, Mike. Journalism Online. – Focal Press Press, 2002. – c. 26

5. UK Press Gazett, 23 July, 1999

6. Washington Post, 7th September, 1999