КОМБИНАТОРНАЯ ЭВОЛЮЦИЯ ТЕХНОЛОГИЙ

Введение

Комбинаторная эволюция технологий – это концепция, предложенная Брайаном Артуром (W. Brian Arthur). Она описывает процесс, при котором новые технологии возникают путем сочетания существующих технологий и идей. Можно выделить следующие основные принципы комбинаторной эволюции технологий:

Комбинаторная природа технологий: технологические инновации возникают не изолированно, а через комбинацию уже существующих технологий. Каждая новая технология создается путем рекомбинации предыдущих технологий, что приводит к бесконечному разнообразию и нововведениям.

Путь зависимости: развитие технологий зависит от их исторического пути. То есть выбор определенной технологии в прошлом влияет на будущие технологические решения, делая определенные траектории развития более вероятными, чем другие.

Положительные обратные связи и самоусиление: технологии, ставшие доминирующими, часто получают дополнительные преимущества за счет положительных обратных связей. Это может привести к локализации рынка вокруг нескольких крупных игроков или технологий, что усложняет проникновение и распространение новых альтернативных технологий.

Законы увеличения доходности: в отличие от классических экономических теорий, которые часто сосредоточены на уменьшающихся доходах, Артур ввел концепцию увеличивающихся доходов в контексте технологических рынков: чем более распространенной становится технология, тем больше выгоды она приносит пользователям и тем сложнее ее заменить.

Сложность технологических пейзажей: технологические пейзажи являются высокосложными и взаимосвязанными, каждая технология влияет на множество других технологий и отраслей. Это создает сложную систему, в которой изменения в одной сфере могут вызвать непредсказуемые последствия в других сферах.

Основные принципы комбинаторной эволюции:

Новизна: создание новых технологий путем рекомбинации существующих элементов.

Сложность: с течением времени технологии становятся более сложными по мере того, как они комбинируются и эволюционируют.

Неопределенность: не всегда предсказуемо, какие комбинации приведут к успешным технологиям.

Самоорганизация: технологическое развитие часто происходит без централизованного планирования, через процесс самоорганизации и выбора.

Существует ряд методик разработки и моделирования, основанных на принципе КЭТ, позволяющие исследователям и практикам понимать, как технологии сочетаются и эволюционируют со временем, а также предсказывать будущие технологические траектории и их влияние на экономическое развитие:

Сетевой анализ: использование сетевых моделей для анализа и визуализации взаимосвязей между различными технологиями и их комбинациями. Этот метод позволяет оценить, как инновации в одной области могут повлиять на развитие в других секторах.

Моделирование модульных систем: применение принципов комбинаторной эволюции для анализа и прогнозирования развития технологий путем комбинирования и модификации существующих модулей.

Комбинаторный анализ: использование принципов комбинаторики для ускоренного создание новых образцов, содержащих широкий спектр разнообразных материалов.

Автоматическое программирование: разработка программного обеспечения путем комбинирования существующих модулей кода для создания новых продуктов.

Генетическое/эволюционное программирование: метод, который моделирует процесс эволюции для автоматического создания продуктов.

Методы количественного анализа технологических изменений: разработка и эмпирическое тестирование сетевого метода, который рассматривает технологическое развитие как комбинаторный процесс.

Комбинаторное прогнозирование: определение рамок для комбинаторной эволюции и прогнозирования составных (модульных) систем.

Анализ существующих решений

КЭТ находится на стыке минимум четырех развивающихся направлений цифровых технологий, каждое из которых решает свою подзадачу и взаимоувязано на уровне базовых принципов моделирования с законами экономической сложности и законами функционирования социума.

Наиболее технологически сложным является выявление базовых технологических блоков для комбинирования с учетом доступного для эволюции предметно-технологического множества, разного в разных группах стран. Для их выявления в первую очередь используются технологии обработки текста на естественном языке во всем их разнообразии. В качестве источника информации выступает комплексный автоматизированный анализ патентов, информации из репозитория проектов, научных отчетов и публикаций, данных профессиональных форумов и других профессиональных дискуссионных площадок, результатов опросов и так далее. Перспективным является использование данных из чужих больших языковых моделей как дополнительного источника информации.

На сегодняшний день комбинаторика используется в основном в сферах, где требуется компилировать и анализировать большие объемы данных, чтобы вводить новые технологические витки. Например, несмотря на то, что Tesla является производственной компанией, обновления программного обеспечения “по воздуху” позволяют ей удаленно заменять программное обеспечение в своих автомобилях, добавляя новые функции и повышая производительность без необходимости доставлять свою продукцию в дилерский центр. Это удобное нововведение в обслуживании значительно улучшило качество обслуживания клиентов, поскольку позволяет Tesla быстро и беспроблемно исправлять ошибки и добавлять новые функции на основе комплексной аналитики выходных данных в виде пользовательских отзывов и информации непосредственно с датчиков автомобилей. Однако эти обновления программного обеспечения были бы невозможны без расширения возможностей подключения и использование процессоров, датчиков, экранов и чипов памяти, которые составляют основу (осязаемой) технологии Tesla [1].

Еще один пример использования КЭТ в конкретной отрасли: в польском городе Вроцлав в период с сентября 2014 по май 2020 года проводился анализ гидравлических параметров потока воды в водопроводных сетях и погодных условий, полученных от службы мониторинга Муниципальной компании водоснабжения и водоотведения S.A. Водопроводная сеть Вроцлава состоит из более чем 30 водозаборных узлов, оборудованных более чем 80 точками измерения, население исследуемого района составляет 22 тысячи человек. Расход воды, подаваемой в зону, измерялся с помощью электромагнитного расходомера, который записывал данные с интервалом в 10 минут. Он установлен в зоне измерения в многоквартирном доме. Временные ряды, записанные с шагом в 10 минут, являлись частью системы отчетности и сетевого управления. Для передачи данных оператору водопроводной сети в режиме реального времени использовался GSM-модуль. Вода в дом подается по водопроводной трубе диаметром DN500. Чтобы исключить дополнительные факторы, которые могли бы повлиять на прогноз, из временного ряда были удалены данные о нештатных ситуациях, в том числе о поломках труб и временных перерывах в записи данных. Во время таких событий регистрируются нулевые значения давления и расхода. Автоматическая метеорологическая станция, которая проводила измерения, расположена в центре города. В крупных городских и промышленных агломерациях застройка и землепользование приводят к формированию городского теплового острова, что приводит к изменению температуры и количества осадков в городе. Измеряемые основные метеорологические параметры включали влажность и температуру воздуха, атмосферное давление, скорость ветра, солнечную радиацию и количество осадков. Данные передаются на регистратор данных по беспроводному соединению GSM/GPRS. Несмотря на то, что автоматическая измерительная станция была запрограммирована на отбор проб с интервалом в 1 минуту, в анализе использовались средние значения и суточные суммы конкретных метеорологических параметров. Эта процедура была использована потому, что погодные условия, измеренные с таким частым интервалом, не являются фактором, влияющим на текущую изменчивость потребления воды. Изменения погоды в течение нескольких минут никогда не являются значимыми при краткосрочном прогнозировании спроса на воду. Всестороннее изучение проблемы привело к улучшению систем прогнозирования в анализируемых зонах DMA, однако следует отметить, что и данные о потреблении воды, и метеорологические временные ряды содержат помехи и ошибки, поэтому работа с ними — непростой процесс. Модели, основанные на фактических данных измерений, подвержены неопределенности, вызванной, в частности, неисправностью измерительных приборов, в то время как надежные долгосрочные прогнозы основаны на длительных последовательностях измерений. Согласно исследованию, для краткосрочного прогнозирования достаточно четырехмесячного ряда измерений, чтобы получить достоверные прогнозы потребления воды. Другой целью исследования является анализ критических событий в работе водопроводной сети, которые в значительной степени повлияли на ухудшение качества прогнозирования и формирование недельных циклов потребления воды. Помимо вышеперечисленного, комбинаторика позволяет выстраивать четкий прогноз потребления воды, что позволяет обеспечить пользователей необходимым количеством воды в долгосрочной перспективе, анализ содержания воды в водоносных горизонтах, которое меняется со временем в зависимости от внешних факторов, позволяет определить их количественный потенциал с точки зрения будущего забора воды, ее очистки и закачки в систему водоснабжения, курс снижения эксплуатационных расходов, управления рисками и их снижения, чему должны способствовать решения по оценке рисков, прогнозированию отказов, прогнозированию производительности и системы поддержки принятия решений [2].

Перечень приведенных примеров не является исчерпывающим, однако достаточно точно характеризует применение методологии КЭТ научными группами, которые можно рассматривать как конкурирующие на сегодняшний день. Не останавливаясь подробно, приведу еще ряд примеров подобных научных групп.

Книга «Explaining technology» R. Koppl, RC Gatti, A. Devereaux, BD Fath, J. Herriot (2023). Давняя традиция объясняет технологические изменения рекомбинацией. В рамках этой традиции элемент рекомбинаций разрабатывает инновационную комбинаторную модель технологических изменений и тестирует ее на данных о мировом ВВП за 2000 лет и на данных из патентов США, поданных в период с 1835 по 2010 год. Модель объясняет: 1) темпы технологических изменений, по крайней мере, за последние два тысячелетия, 2) цитирование патентов и 3) возрастающую сложность инструментов с течением времени. Он показывает, что объединение и модификация уже существующих товаров для производства новых порождает наблюдаемую историческую модель технологических изменений. За длительным периодом застоя последовал внезапный сверхэкспоненциальный рост количества товаров. В этой модели внезапный взрыв, произошедший около 250 лет назад, – это комбинаторный взрыв, который назревал давно, но был неизбежен, как только процесс начался, по крайней мере, 2000 лет назад. Этот элемент моделирует промышленную революцию как комбинаторный взрыв [3].

«Quantifying technological change as a combinatorial process» - P Parraguez, S Škec, DO e Carmo, A Maier, (2020). В данной статье разрабатывается и эмпирически тестируется сетевой метод, который принимает комбинаторный взгляд на технологическое развитие в качестве основного обоснования и обеспечивает количественный индикатор технологических изменений [4].

Книга «Open-Ended Automatic Programming Through Combinatorial Evolution», (2021), S Fix, T Probst, O Ruggli, T Hanne. Авторы реализовали компьютерную программу, моделирующую комбинаторную эволюцию блоков кода, хранящихся в базе данных, чтобы сделать их доступными для объединения. Автоматическое программирование в смысле генерации кода на основе алгоритмов достигается путем вычисления регулярных выражений [5].

«Automatic Programming Through Combinatorial Evolution», (2021), Sebastian Fix, Thomas Probst, Oliver Ruggli, Thomas Hanne, Patrik Christen. В настоящей статье авторы хотят использовать комбинаторную эволюцию в разработке программного обеспечения. Их исследовательский вопрос заключается в том, возможно ли генерировать компьютерные программы возрастающей сложности, используя автоматическое программирование посредством комбинаторной эволюции [6].

«Technology as a Complex Adaptive System: Evidence from Patent Data» (2000), Lee Fleming, Olav Sorenson. В этой статье развивается теория изобретений, опираясь на теорию сложных адаптивных систем. Рассматривается изобретение как процесс рекомбинантного поиска в технологических ландшафтах. Эта формулировка предполагает, что изобретатели могут столкнуться с «катастрофой сложности», когда попытаются объединить в высшей степени взаимозависимые технологии. Наш эмпирический анализ уровня цитирования патентов подтверждает это ожидание. Однако наши результаты также позволяют предположить, что процесс изобретений существенно отличается от биологической эволюции. Мы обсуждаем последствия этих результатов для исследований технологической эволюции, промышленных изменений и технологической стратегии [7].

Пошаговая реализация проекта

Поскольку КЭТ не является самостоятельной технологией, нуждающейся в разработке, а представляет из себя методологию комбинирования научных усилий, технологий нейросетевого поиска и обработки информации по открытым источникам, а также широкое применение экспертизы по различным направлениям и сферам деятельности в зависимости от поставленных задач, проект представляется в большей степени организационным, нежели технологическим. В связи с этим реализация проекта может быть условно разбита на следующие подэтапы:

Выделение интересантов с точки зрения обладания нейросетевыми технологиями или являющихся держателями компетенций по их разработке и применению. На взгляд автора, такими интересантами могут быть Национальный исследовательский университет "Высшая школа экономики", Институт проблем передачи информации им. А.А. Харкевича,  ФИЦ «Информатика и управление» РАН (включающий Институт проблем информатики РАН, Вычислительный центр им. А.А. Дородницына РАН, Институт системного анализа РАН), Институт экономики и организации промышленного производства, Самарский национальный исследовательский университет им. академика С.П. Королева;

Интересанты с точки зрения потребителей результатов подобной методологии: Правительство Российской Федерации (в частности, МИД России, Минобрнауки России, Минздрав России и другие федеральные министерства, имеющие в составе своих полномочий развитие тех или иных отраслей науки в нашей стране), государственная корпорация ВЭБ РФ (включая фонд “Сколково”), а также иные крупные федеральные инфраструктурные организации, в задачи которых входят вопросы повышения эффективности научных исследований;

После выявления интересантов-разработчиков и интересантов-потребителей необходимо увязать имеющиеся в наличии технологии с текущими задачами по ускорению проведения научных исследований. На взгляд автора, в текущих условиях ярким примером такой задачи могла бы стать автоматизация сбора, анализа и структурирования информации о происходящих значимых политических событиях в дружественных/недружественных странах с последующей аналитикой экспертами при подготовке соответствующих отчетов в МИД России и иные органы государственной власти. Решение данной задачи потребует наличия работающей большой языковой модели, настроенной на разные языки, оснащенной соответствующей подпрограммой, формирующей базу данных значимых событий, ранжирующей эти события по степени значимости и выстраивающей причинно-следственную связь между ними. Фактически речь идет о двухступенчатой обработке информации с помощью специализированных нейросетей, для обучения которых привлекаются профильные эксперты, что с точки зрения сегодняшнего уровня развития технологий является тривиальной задачей;

Следующим этапом будет являться создание работающего прототипа на простой задаче (например, аналитика финансового состояния отдельного предприятия или состояния сетей ЖКХ по сообщениям об инцидентах), который, в свою очередь, уже может рассматриваться как демонстрационная модель для соискания финансирования на создание полноценной рабочей модели;

Определение источника финансирования. Учитывая масштаб и характер работы, автор рассматривает исключительно государственные источники финансирования. В случае с приведенным примером финансирование может осуществляться по линии МИД России – МГИМО МИД России – Самарский университет, а также ряде соисполнителей;

На последнем этапе рабочая модель проходит процедуру отладки и настройки под выполнение конкретной задачи, а также определяется техническое задание на доработку имеющегося методологического комплекса под решение задач из других областей науки и техники.

Описание результата проекта

Методология, описанная в предыдущих разделах, позволяет существенно увеличить эффективность принятия управленческих решений на разных уровнях. На государственном уровне применение результатов проекта в первую очередь позволит более эффективно использовать все виды ресурсов. По мнению автора, наиболее существенная экономия будет наблюдаться в таких ресурсах, как время выполнения НИОКР и его стоимость. На административном уровне применение данной методологии позволит существенно сократить время принятия решений, упростить систему отбора исполнителей и соисполнителей по конкретным видам работ, а также, некоторым образом, упростить межведомственное взаимодействие, которое зачастую становится препятствием при проведении междисциплинарных исследований.

С технологической точки зрения результатом проекта является сочетание двух формально независимых друг от друга нейросетей, первая из которых представляет из себя большую языковую модель, а вторая специализирована на обработке результатов первой и настроена на решение конкретной задачи.

С организационной точки зрения итогом проекта становится центр компетенций, включающий в себя специалистов технического и гуманитарного профилей, фактически являющихся постановщиками задачи для программной части проекта и одновременно контролерами релевантности результатов.

Работающая система, по мнению автора, может использоваться как образовательный тренажер для обучения студентов основам системного анализа, а также выполнения практических заданий по применению различных аналитических инструментов на реальном массиве данных.